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

Cada año, miles de personas desaparecen, dejando tras de sí un rastro de silencio que las familias y los investigadores luchan por llenar. En el mundo de la ciencia forense, el objetivo es dar un nombre a lo desconocido, una tarea que tradicionalmente ha dependido de unas pocas herramientas poderosas. La más confiable de estas es el perfilado de ADN, que compara material genético para encontrar una coincidencia, pero este método falla si no hay una muestra biológica disponible o si la muestra de referencia de un pariente no existe. Otros métodos, como el análisis de restos óseos para estimar la edad y la estatura o la comparación de fotografías faciales, ofrecen pistas, pero suelen estar limitados por la calidad de la evidencia o el paso del tiempo. Cuando una persona lleva años desaparecida, su rostro cambia, los huesos pueden estar dañados y los registros pueden ser incompletos, dejando a los investigadores con fragmentos de información que no encajan fácilmente entre sí.

Durante décadas, los científicos han intentado resolver estos acertijos analizando un tipo de evidencia a la vez, pero la realidad de un caso de persona desaparecida rara vez es tan simple. Una sola fotografía puede ser demasiado borrosa, una muestra de ADN puede estar degradada y un registro dental puede haberse perdido. El desafío radica en tejer estos hilos dispares —visuales, biológicos y contextuales— en una imagen única y coherente. Aquí es donde entra el trabajo de los investigadores de la Universidad Nacional de Ciencias Forenses. Ellos han desarrollado una nueva forma de abordar estas investigaciones utilizando la inteligencia artificial, no como una caja mágica que escupe una respuesta, sino como un socio transparente que ayuda a los expertos humanos a dar sentido al caos.

Los investigadores construyeron un sistema diseñado para manejar la naturaleza desordenada e incompleta de los casos reales de personas desaparecidas. En lugar de depender de un solo método, crearon un marco que reúne diferentes tipos de evidencia: imágenes faciales, mediciones esqueléticas, datos biológicos, detalles demográficos y las circunstancias que rodearon la desaparición. En el pasado, los programas informáticos utilizados para la identificación solían actuar como "cajas negras", proporcionando un resultado sin explicar cómo llegaron a él. Esta falta de transparencia es un problema importante en la forense, donde una identificación errónea puede tener consecuencias legales que cambian la vida. Para solucionar esto, el equipo integró una característica llamada "inteligencia artificial explicable". Esta tecnología no solo adivina una identidad; muestra su trabajo. Resalta exactamente qué piezas de evidencia fueron las más importantes para tomar una decisión, permitiendo que un experto humano vea la lógica detrás de la sugerencia de la computadora y verifique que tenga sentido científico.

Para probar su idea, el equipo construyó un enorme conjunto de datos digitales que representaba 1,200 casos de personas desaparecidas. Estos registros no eran perfectos; imitaban el mundo real donde algunos casos tenían fotos claras, otros tenían ADN y muchos tenían una mezcla de información parcial. Los investigadores introdujeron estos datos en su nuevo sistema y compararon su rendimiento contra los métodos más antiguos que analizaban solo un tipo de evidencia a la vez. Los resultados fueron claros: el sistema que combinaba toda la información era significativamente mejor para identificar individuos que cualquier método individual por sí solo. Cuando el sistema utilizaba únicamente rasgos faciales, lograba un AUC de 0.82. Cuando utilizaba únicamente evidencia biológica, lograba un AUC de 0.88. Sin embargo, cuando el sistema fusionaba todas las pistas disponibles, su AUC aumentó a 0.96. Esta mejora sugiere que, al permitir que diferentes tipos de evidencia se apoyen y llenen los vacíos entre sí, los investigadores pueden superar las limitaciones de los datos degradados o faltantes.

Crucialmente, el estudio no se detuvo solo en obtener la respuesta correcta; se centró en cómo se alcanzó dicha respuesta. Los investigadores utilizaron herramientas específicas para desglosar el proceso de toma de decisiones de la computadora. Descubrieron que el sistema no dependía de un solo factor, como una coincidencia facial, sino que pesaba múltiples factores en conjunto. Por ejemplo, el sistema podría determinar que una coincidencia era probable porque los rasgos faciales eran similares, la edad estimada de los huesos se alineaba con la cronología de la persona desaparecida y la ubicación geográfica del hallazgo era consistente con la historia de la persona. El sistema asignó un peso específico a cada una de estas pistas, mostrando que la imagen facial era el indicador más fuerte, contribuyendo con casi el 2 de 29 por ciento a la decisión final, mientras que otros factores como la consistencia geográfica y las estimaciones del perfil biológico desempeñaban papeles de apoyo. Este nivel de detalle permite a un experto forense mirar el resultado de la computadora y decir: "Entiendo por qué hizo esa conexión" o "Esta parte del razonamiento parece errónea", asegurando que la tecnología siga siendo una herramienta para el juicio humano en lugar de un reemplazo para este.

El estudio también examinó dónde fallaba el sistema al identificar a una persona correctamente. Al analizar estos errores, los investigadores descubrieron que las razones más comunes para los errores eran la mala calidad de las imágenes, la falta total de evidencia biológica o la información contradictoria entre diferentes fuentes. Este hallazgo es vital porque le dice a los investigadores exactamente dónde centrar sus esfuerzos. Si un caso carece de una fotografía clara, el sistema sabe que debe apoyarse más en otros datos, pero si la evidencia es demasiado contradictoria o de muy baja calidad, el sistema señala que no se puede realizar una coincidencia con confianza. Esta honestidad sobre la incertidumbre es una parte clave del marco de trabajo, evitando la falsa esperanza que puede provenir de una suposición informática excesivamente confiada.

Los investigadores enfatizan que este sistema no es un veredicto final, sino una herramienta de apoyo a la decisión. En los mundos legal y forense, la responsabilidad de una identificación debe recaer siempre en un experto humano que pueda sopesar la evidencia científica frente al contexto del caso. El nuevo marco simplemente proporciona una forma de organizar información compleja y resaltar los indicios más prometedores. Al hacer que la inteligencia artificial sea transparente, los investigadores han creado un puente entre la potencia de la computación avanzada y los rigurosos estándares de la ciencia forense. El trabajo sugiere que, en el futuro, resolver casos de personas desaparecidas a largo plazo no dependerá de encontrar una única pieza de evidencia perfecta, sino de la capacidad de combinar inteligentemente las muchas pistas imperfectas que suelen estar disponibles. Este enfoque ofrece un camino a seguir para los casos que han permanecido fríos durante años, convirtiendo una colección dispersa de datos en un camino claro, comprensible y científicamente sólido hacia la identificación.