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

Ogni anno, migliaia di persone scompaiono, lasciando dietro di sé una scia di silenzio che le famiglie e gli investigatori faticano a colmare. Nel mondo della scienza forense, l'obiettivo è dare un nome all'ignoto, un compito che tradizionalmente si è affidato ad alcuni potenti strumenti. Il più affidabile di questi è il profilo del DNA, che confronta il materiale genetico per trovare una corrispondenza, ma questo metodo fallisce se non è disponibile un campione biologico o se manca il campione di riferimento di un parente. Altri metodi, come l'analisi dei resti scheletrici per stimare età e altezza o il confronto di fotografie facciali, offrono indizi ma sono spesso limitati dalla qualità delle prove o dal passare del tempo. Quando una persona è scomparsa da anni, il suo volto cambia, le ossa possono essere danneggiate e i registri possono essere incompleti, lasciando agli investigatori frammenti di informazioni che non si incastrano facilmente tra loro.

Per decenni, gli scienziati hanno cercato di risolvere questi enigmi guardando un solo tipo di prova alla volta, ma la realtà di un caso di persona scomparsa è raramente così semplice. Una singola fotografia potrebbe essere troppo sfocata, un campione di DNA potrebbe essere degradato e un record dentale potrebbe essere andato perduto. La sfida consiste nel tessere questi fili disparati — visivi, biologici e contestuali — in un'unica immagine coerente. È qui che entra in gioco il lavoro dei ricercatori della National Forensic Sciences University. Essi hanno sviluppato un nuovo modo di approcciare queste indagini utilizzando l'intelligenza artificiale, non come una scatola magica che sputa fuori una risposta, ma come un partner trasparente che aiuta gli esperti umani a dare un senso al caos.

I ricercatori hanno costruito un sistema progettato per gestire la natura disordinata e incompleta dei casi reali di persone scomparse. Invece di affidarsi a un singolo metodo, hanno creato un framework che riunisce diversi tipi di prove: immagini facciali, misurazioni scheletriche, dati biologici, dettagli demografici e le circostanze che hanno circondato la scomparsa. In passato, i programmi informatici utilizzati per l'identificazione agivano spesso come "scatole nere", fornendo un risultato senza spiegare come ci fossero arrivati. Questa mancanza di trasparenza è un problema importante nella medicina legale, dove un'identificazione errata può avere conseguenze legali che cambiano la vita. Per risolvere il problema, il team ha integrato una funzione chiamata "intelligenza artificiale spiegabile". Questa tecnologia non si limita a indovinare un'identità; essa mostra il proprio lavoro. Evidenzia esattamente quali pezzi di evidenza sono stati più importanti nel prendere una decisione, permettendo a un esperto umano di vedere la logza dietro il suggerimento del computer e verificare che abbia senso scientifico.

Per testare la loro idea, il team ha costruito un enorme dataset digitale che rappresenta 1.200 casi di persone scomparse. Questi record non erano perfetti; imitavano il mondo reale in cui alcuni casi avevano foto chiare, altri avevano il DNA e molti avevano una miscela di informazioni parziali. I ricercatori hanno inserito questi dati nel loro nuovo sistema e hanno confrontato le sue prestazioni rispetto ai metodi più vecchi che consideravano un solo tipo di prova alla volta. I risultati sono stati chiari: il sistema che combinava tutte le informazioni era significativamente migliore nell'identificare gli individui rispetto a qualsiasi singolo metodo preso singolarmente. Quando il sistema utilizzava solo i tratti facciali, raggiungeva un AUC di 0,82. Quando utilizzava solo l'evidenza biologica, raggiungeva un AUC di 0,88. Tuttavia, quando il sistema fondeva tutti i indizi disponibili, il suo AUC saliva a 0,96. Questo miglioramento suggerisce che, permettendo a diversi tipi di prove di supportarsi e colmare le lacune l'un dell'altro, gli investigatori possono superare i limiti dei dati degradati o mancanti.

Fondamentalmente, lo studio non si è fermato al semplice raggiungimento della risposta corretta; si è concentrato su come la risposta è stata raggiunta. I ricercatori hanno utilizzato strumenti specifici per scomporre il processo decisionale del computer. Hanno scoperto che il sistema non si basava su un solo fattore, come un match facciale, ma pesava più fattori insieme. Ad esempio, il sistema potrebbe determinare che un match è probabile perché i tratti del viso sono simili, l'età stimata dalle ossa si allinea con la cronologia della persona scomparsa e la posizione geografica del ritrovamento è coerente con la storia della persona. Il sistema assegnava un peso specifico a ciascuno di questi indizi, mostrando che l'immagine del volto era l'indicatore più forte, contribuendo per quasi il 29 percento alla decisione finale, mentre altri fattori come la coerenza geografica e le stime del profilo biologico svolgevano ruoli di supporto. Questo livello di dettaglio permette a un esperto forense di guardare l'output del computer e dire: "Capisco perché ha fatto quel collegamento" o "Questa parte del ragionamento sembra errata", assicurando che la tecnologia rimanga uno strumento per il giudizio umano piuttosto che un suo sostituto.

Lo studio ha anche esaminato i casi in cui il sistema non riusciva a identificare correttamente una persona. Analizzando questi errori, i ricercatori hanno scoperto che le ragioni più comuni per gli sbagli erano le immagini di scarsa qualità, la totale mancanza di prove biologiche o informazioni contrastanti tra diverse fonti. Questo risultato è vitale perché dice agli investigatori esattamente dove concentrare i propri sforzi. Se un caso manca di una fotografia chiara, il sistema sa di dover fare affidamento maggiormente su altri dati, ma se le prove sono troppo contraddittorie o di qualità troppo bassa, il sistema segnala che un match non può essere stabilito con fiducia. Questa onestà sull'incertezza è una parte chiave del framework, evitando la falsa speranza che può derivare da un azzardo informatico eccessivamente sicuro di sé.

I ricercatori sottolineano che questo sistema non è un verdetto finale, ma uno strumento di supporto alle decisioni. Nel mondo legale e forense, la responsabilità di un'identificazione deve rimanere sempre in capo a un esperto umano che possa pesare l'evidenza scientifica rispetto al contesto del caso. Il nuovo framework fornisce semplicemente un modo per organizzare informazioni complesse e mettere in luce le piste più promettenti. Rendendo l'intelligenza artificiale trasparente, i ricercatori hanno creato un ponte tra la potenza del calcolo avanzato e gli standard rigorosi della scienza forense. Il lavoro suggerisce che, in futuro, risolvere i casi di persone scomparse a lungo termine non dipenderà dal trovare un singolo pezzo di prova perfetto, ma dalla capacità di combinare intelligentemente i molti indizi imperfetti che spesso sono a disposizione. Questo approccio offre una strada da seguire per i casi che sono rimasti irrisolti per anni, trasformando una collezione dispersa di dati in un percorso chiaro, comprensibile e scientificamente fondato verso l'identificazione.