Beyond DNA: An Explainable AI-Driven Multimodal Framework for Long-Term Missing Person Identification: A Systematic Review and Conceptual Model

Jedes Jahr verschwinden tausende Menschen und hinterlassen eine Spur der Stille, die Familien und Ermittler nur schwer zu füllen vermögen. In der Welt der forensischen Wissenschaft besteht das Ziel darin, dem Unbekannten einen Namen zu geben – eine Aufgabe, die traditionell auf wenigen, mächtigen Werkzeugen beruhte. Das vertrauenswürdigste unter ihnen ist das DNA-Profiling, das genetisches Material vergleicht, um eine Übereinstimmung zu finden, doch diese Methode versagt, wenn keine biologische Probe verfügbar ist oder die Referenzprobe eines Verwandten fehlt. Andere Methoden, wie etwa die Analyse von Skelettresten zur Schätzung von Alter und Größe oder der Vergleich von Gesichtsfotos, liefern zwar Hinweise, sind jedoch oft durch die Qualität der Beweismittel oder den Lauf der Zeit begrenzt. Wenn eine Person seit Jahren vermisst wird, verändert sich ihr Gesicht, Knochen können beschädigt sein und Aufzeichnungen können unvollständig sein, was Ermittler mit Informationsfragmenten zurücklässt, die sich nicht leicht zusammenfügen lassen.

Jahrzehntelang haben Wissenschaftler versucht, diese Rätsel zu lösen, indem sie jeweils nur eine Art von Beweismittel betrachteten, doch die Realität eines Vermisstenfalls ist selten so einfach. Ein einzelnes Foto könnte zu unscharf sein, eine DNA-Probe könnte degradiert sein und ein zahnmedizinischer Datensatz könnte verloren gegangen sein. Die Herausforderung besteht darin, diese disparaten Fäden – visuelle, biologische und kontextuelle – zu einem einzigen, kohärenten Bild zu verweben. Hier setzt die Arbeit der Forscher an der National Forensic Sciences University an. Sie haben einen neuen Weg entwickelt, um diese Untersuchungen anzugehen, indem sie künstliche Intelligenz nutzen – nicht als eine „Black Box“, die eine Antwort ausspuckt, sondern als einen transparenten Partner, der Experten dabei hilft, das Chaos zu ordnen.

Die Forscher entwickelten ein System, das darauf ausgelegt ist, die unordentliche, unvollständige Natur realer Vermisstenfälle zu bewältigen. Anstatt sich auf eine einzige Methode zu verlassen, schufen sie ein Framework, das verschiedene Arten von Beweismitteln zusammenführt: Gesichtsbilder, Skelettmessungen, biologische Daten, demografische Details und die Umstände des Verschwindens. In der Vergangenheit fungierten Computerprogramme, die zur Identifizierung eingesetzt wurden, oft als „Black Boxes“, die ein Ergebnis lieferten, ohne zu erklären, wie sie zu diesem gelangten. Dieser Mangel an Transparenz ist ein großes Problem in der Forensik, wo eine falsche Identifizierung lebensverändernde rechtliche Konsequenzen haben kann. Um dies zu beheben, integrierte das Team eine Funktion namens „Explainable Artificial Intelligence“ (erklärbare künstliche Intelligenz). Diese Technologie rät nicht einfach eine Identität; sie legt ihre Arbeit offen. Sie hebt genau die Punkte hervor, die bei der Entscheidungsfindung am wichtigsten waren, sodass ein menschlicher Experte die Logik hinter dem Vorschlag des Computers nachvollziehen und prüfen kann, ob dieser wissenschaftlich sinnvoll ist.

Um ihre Idee zu testen, konstruierte das Team einen massiven digitalen Datensatz, der 1.200 Vermisstenfälle repräsentiert. Diese Datensätze waren nicht perfekt; sie imitierten die reale Welt, in der einige Fälle klare Fotos aufwiesen, andere DNA besaßen und viele eine Mischung aus Teilinformationen enthielten. Die Forscher speisten diese Daten in ihr neues System ein und verglichen deren Leistung mit älteren Methoden, die jeweils nur eine Art von Beweis betrachteten. Die Ergebnisse waren eindeutig: Das System, das alle Informationen kombinierte, war signifikant besser darin, Individuen zu identifizieren, als jede einzelne Methode für sich genommen. Wenn das System nur Gesichtszüge verwendete, erreichte es einen AUC-Wert von 0,82. Wenn es nur biologische Beweise verwendete, erreichte es einen AUC-Wert von 0,88. Als das System jedoch alle verfügbaren Hinweise miteinander verschmolz, stieg sein AUC-Wert auf 0,96. Diese Verbesserung deutet darauf an, dass Ermittler durch die gegenseitige Unterstützung und das Ausfüllen von Lücken durch verschiedene Beweismittel die Einschränkungen durch degradierte oder fehlende Daten überwinden können.

Entscheidend war, dass die Studie nicht beim bloßen Finden der richtigen Antwort stehen blieb, sondern sich darauf konzentrierte, wie die Antwort erreicht wurde. Die Forscher nutzten spezifische Werkzeuge, um den Entscheidungsprozess des Computers aufzuschlüsseln. Sie fanden heraus, dass das System sich nicht nur auf einen einzelnen Faktor, wie etwa einen Gesichtsmatch, verließ, sondern mehrere Faktoren gemeinsam gewichtete. Beispielsweise könnte das System feststellen, dass eine Übereinstimmung wahrscheinlich ist, weil die Gesichtszüge ähnlich sind, das geschätzte Alter aus den Knochen mit dem Zeitstrahl der vermissten Person übereinstimmt und der geografische Ort des Fundes konsistent mit der Geschichte der Person ist. Das System wies jedem dieser Hinweise eine spezifische Gewichtung zu und zeigte auf, dass das Gesichtsbild der stärkste Indikator war, der fast 29 Prozent zur endgültigen Entscheidung beitrug, während andere Faktoren wie die geografische Konsistenz und die Schätzungen des biologischen Profils unterstützende Rollen spielten. Diese Detailtiefe ermöglicht es einem forensischen Experten, das Ergebnis des Computers zu betrachten und zu sagen: „Ich sehe, warum es diese Verbindung hergestellt hat“ oder „Dieser Teil der Argumentation scheint nicht stimmig zu sein“, wodurch sichergestellt wird, dass die Technologie ein Werkzeug für das menschliche Urteilsvermögen bleibt und kein Ersatz dafür ist.

Die Studie untersuchte auch, warum das System eine Person nicht korrekt identifizierte. Durch die Analyse dieser Fehler entdeckten die Forscher, dass die häufigsten Gründe für Fehlentscheidungen mangelhafte Bildqualität, ein völliges Fehlen biologischer Beweise oder widersprüchliche Informationen zwischen verschiedenen Quellen waren. Diese Erkenntnis ist entscheidend, da sie den Ermittlern genau sagt, worauf sie ihre Bemühungen konzentrieren müssen. Wenn ein Fall kein klares Foto besitzt, weiß das System, dass es sich stärker auf andere Daten verlassen muss; wenn die Beweise jedoch zu widersprüchlich oder von zu geringer Qualität sind, signalisiert das System, dass eine Identifizierung nicht mit Zuversicht vorgenommen werden kann. Diese Ehrlichkeit gegenüber der Ungewissheit ist ein wesentlicher Bestandteil des Frameworks und verhindert die falsche Hoffnung, die von einer übermäßig selbstbewussten Computerschätzung ausgehen kann.

Die Forscher betonen, dass dieses System kein endgültiges Urteil ist, sondern ein Werkzeug zur Entscheidungsunterstützung. In der Rechts- und Forensikwelt muss die Verantwortung für eine Identifizierung stets bei einem menschlichen Experten liegen, der die wissenschaftlichen Beweise gegen den Kontext des Falls abwägen kann. Das neue Framework bietet lediglich eine Möglichkeit, komplexe Informationen zu organisieren und die vielversprechendsten Spuren hervorzuheben. Durch die Transparenz der künstlichen Intelligenz haben die Forscher eine Brücke zwischen fortschrittlicher Rechenleistung und den strengen Standards der forensischen Wissenschaft geschlagen. Die Arbeit legt nahe, dass die Lösung langfristiger Vermisstenfälle in Zukunft nicht von dem Finden eines einzigen perfekten Beweisstücks abhängen wird, sondern von der Fähigkeit, die vielen unvollkommenen Hinweise, die oft verfügbar sind, intelligent zu kombinieren. Dieser Ansatz bietet einen Weg nach vorn für Fälle, die seit Jahren kalt liegen, indem er eine verstreute Sammlung von Daten in einen klaren, verständlichen und wissenschaftlich fundierten Pfad zur Identifizierung verwandelt.