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

Chaque année, des milliers de personnes disparaissent, laissant derrière elles un sillage de silence que les familles et les enquêteurs peinent à combler. Dans le monde de la science forensique, l'objectif est de donner un nom à l'inconnu, une tâche qui reposait traditionnellement sur quelques outils puissants. Le plus fiable d'entre eux est le profilage de l'ADN, qui compare le matériel génétique pour trouver une correspondance, mais cette méthode échoue si aucun échantillon biologique n'est disponible ou si l'échantillon de référence d'un proche est manquant. D'autres méthodes, comme l'analyse des restes squelettiques pour estimer l'âge et la taille ou la comparaison de photographies faciales, offrent des indices mais sont souvent limitées par la qualité des preuves ou le passage du temps. Lorsqu'une personne a disparu depuis des années, son visage change, les os peuvent être endommagés et les dossiers peuvent être incomplets, laissant les enquêteurs avec des fragments d'informations qui ne s'assemblent pas facilement.

Pendant des décennies, les scientifiques ont tenté de résoudre ces énigmes en examinant un seul type de preuve à la fois, mais la réalité d'une affaire de disparition est rarement aussi simple. Une seule photographie peut être trop floue, un échantillon d'ADN peut être dégradé et un dossier dentaire peut être perdu. Le défi consiste à tisser ces fils disparates — visuels, biologiques et contextuels — en une image unique et cohérente. C'est là qu'intervient le travail des chercheurs de la National Forensic Sciences University. Ils ont développé une nouvelle façon d'aborder ces enquêtes en utilisant l'intelligence artificielle, non pas comme une boîte magique qui recrache une réponse, mais comme un partenaire transparent qui aide les experts humains à donner un sens au chaos.

Les chercheurs ont construit un système conçu pour gérer la nature désordonnée et incomplète des cas réels de disparitions de personnes. Au lieu de s'appuyer sur une seule méthode, ils ont créé un cadre qui rassemble différents types de preuves : images faciales, mesures squelettiques, données biologiques, détails démographiques et les circonstances entourant la disparition. Par le passé, les programmes informatiques utilisés pour l'identification agissaient souvent comme des « boîtes noires », fournissant un résultat sans expliquer comment ils y étaient parvenus. Ce manque de transparence est un problème majeur en criminalistique, où une erreur d'identification peut avoir des conséquences juridiques bouleversant des vies. Pour remédier à cela, l'équipe a intégré une fonctionnalité appelée « intelligence artificielle explicable ». Cette technologie ne se contente pas de deviner une identité ; elle montre son raisonnement. Elle met en évidence précisément quels éléments de preuve ont été les plus importants dans la prise de décision, permettant à un expert humain de voir la logique derrière la suggestion de l'ordinateur et de vérifier qu'elle fait sens sur le plan scientifique.

Pour tester leur idée, l'équipe a construit un vaste ensemble de données numériques représentant 1 200 cas de disparitions de personnes. Ces dossiers n'étaient pas parfaits ; ils imitaient le monde réel où certains cas présentaient des photos claires, d'autres de l'ADN, et beaucoup un mélange d'informations partielles. Les chercheurs ont injecté ces données dans leur nouveau système et ont comparé ses performances par rapport aux anciennes méthodes qui n'examinaient qu'un seul type de preuve à la fois. Les résultats étaient clairs : le système qui combinait toutes les informations était nettement plus performant pour identifier les individus que n'importe quelle méthode unique. Lorsque le système n'utilisait que les traits faciaux, il atteignait une AUC de 0,82. Lorsqu'il utilisait uniquement des preuves biologiques, il atteignait une AUC de 0,88. Cependant, lorsque le système fusionnait tous les indices disponibles, son AUC montait à 0,96. Cette amélioration suggère qu'en permettant à différents types de preuves de se soutenir et de combler les lacunes les uns des autres, les enquêteurs peuvent surmonter les limites des données dégradées ou manquantes.

Crucialement, l'étude ne s'est pas arrêtée à l'obtention de la bonne réponse ; elle s'est concentrée sur la manière dont la réponse a été obtenue. Les chercheurs ont utilisé des outils spécifiques pour décomposer le processus de décision de l'ordinateur. Ils ont découvert que le système ne reposait pas sur un seul facteur, tel qu'une correspondance faciale, mais qu'il pesait plusieurs facteurs ensemble. Par exemple, le système pourrait déterminer qu'une correspondance est probable parce que les traits du visage sont similaires, que l'âge estimé à partir des os correspond à la chronologie de la personne disparue et que le lieu géographique de la découverte est cohérent avec l'historique de la personne. Le système a attribué un poids spécifique à chacun de ces indices, montrant que l'image faciale était l'indicateur le plus fort, contribuant à près de 29 pour cent de la décision finale, tandis que d'autres facteurs comme la cohérence géographique et les estimations du profil biologique jouaient des rôles de soutien. Ce niveau de détail permet à un expert forensique de regarder le résultat de l'ordinateur et de dire : « Je vois pourquoi il a fait ce lien » ou « Ce raisonnement semble erroné », garantissant que la technologie reste un outil pour le jugement humain plutôt qu'un remplacement de celui-ci.

L'étude a également examiné les cas où le système n'a pas réussi à identifier une personne correctement. En analysant ces erreurs, les chercheurs ont découvert que les raisons les plus courantes d'erreurs étaient la mauvaise qualité des images, l'absence totale de preuves biologiques ou des informations contradictoires entre différentes sources. Cette découverte est vitale car elle indique aux enquêteurs exactement où concentrer leurs efforts. Si un cas manque d'une photographie claire, le système sait qu'il doit s'appuyer davantage sur d'autres données, mais si les preuves sont trop contradictoires ou de trop faible qualité, le système signale qu'une correspondance ne peut être établie avec certitude. Cette honnêteté vis-à-vis de l'incertitude est une partie clé du cadre, évitant l'espoir déçu qui peut provenir d'une supposition informatique trop confiante.

Les chercheurs soulignent que ce système n'est pas un verdict final, mais un outil d'aide à la décision. Dans les mondes juridique et forensique, la responsabilité d'une identification doit toujours incomber à un expert humain capable de peser les preuves scientifiques par rapport au contexte de l'affaire. Le nouveau cadre fournit simplement un moyen d'organiser des informations complexes et de mettre en évidence les pistes les plus prometteuses. En rendant l'intelligence artificielle transparente, les chercheurs ont créé un pont entre la puissance de calcul avancée et les normes rigoureuses de la science forensique. Le travail suggère que, dans le futur, la résolution des cas de disparition de longue durée ne dépendra pas de la découverte d'un seul élément de preuve parfait, mais de la capacité à combiner intelligemment les nombreux indices imparfaits qui sont souvent disponibles. Cette approche offre une voie de passage pour les affaires restées sans réponse pendant des années, transformant une collection éparpillée de données en un chemin clair, compréhensible et scientifiquement fondé vers l'identification.