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

매년 수천 명의 사람들이 사라지며, 가족들과 조사관들이 그 공백을 채우기 위해 고군분투하는 침묵의 흔적을 남깁니다. 법의학의 세계에서 목표는 미지의 존재에 이름을 부여하는 것이며, 이는 전통적으로 몇 가지 강력한 도구에 의존해 왔습니다. 이 중 가장 신뢰받는 것은 DNA 프로파일링으로, 유전 물질을 비교하여 일치 여부를 찾아내지만, 생물학적 시료를 사용할 수 없거나 친척으로부터의 참조 시료가 없는 경우에는 실패합니다. 골격 유해를 분석하여 연령과 키를 추정하거나 얼굴 사진을 비교하는 등의 다른 방법들도 단서를 제공하지만, 증거의 품질이나 시간의 경과로 인해 종종 한계가 있습니다. 사람이 실종된 지 수년이 지나면 얼굴은 변하고, 뼈는 손상될 수 있으며, 기록은 불완전해질 수 있어 조사관들에게는 쉽게 맞물리지 않는 파편화된 정보만을 남기게 됩니다.

수십 년 동안 과학자들은 한 번에 한 가지 유형의 증거만을 살펴봄으로써 이러한 수수께끼를 풀려고 노력해 왔지만, 실종 사건의 현실은 결코 그렇게 단순하지 않습니다. 단 한 장의 사진이 너무 흐릿할 수도 있고, DNA 샘Ы플이 퇴화했을 수도 있으며, 치과 기록이 유실되었을 수도 있습니다. 과제는 시각적, 생물학적, 맥락적 요소라는 이 이질적인 실타래들을 하나의 일관된 그림으로 엮어내는 것입니다. 바로 이 지점에서 국립법과학대학교(National Forensic Sciences University) 연구진의 작업이 시작됩니다. 그들은 인공지능을 단순히 답을 내뱉는 '마법 상자'가 아니라, 인간 전문가가 혼돈을 이해하도록 돕는 투명한 파트너로 활용하여 조사를 접근하는 새로운 방식을 개발했습니다.

연구진은 실제 실종 사건의 무질서하고 불완전한 특성을 다룰 수 있도록 설계된 시스템을 구축했습니다. 단일 방법에 의존하는 대신, 그들은 얼굴 이미지, 골격 측정값, 생물학적 데이터, 인구통계학적 세부 정보, 그리고 실종 당시의 상황 등 서로 다른 유형의 증거를 결합하는 프레임워크를 만들었습니다. 과거에 식별에 사용되던 컴퓨터 프로그램들은 종-종 결과만 제공할 뿐 그 결과에 도달한 과정을 설명하지 않는 '블랙박스'처럼 작동했습니다. 이러한 투명성의 결여는 잘못된 식별이 삶을 뒤바꿀 수 있는 법적 결과를 초과할 수 있는 법의학 분야에서 중대한 문제입니다. 이를 해결하기 위해 연구팀은 '설명 가능한 인공지능(explainable artificial intelligence)'이라 불리는 기능을 통합했습니다. 이 기술은 단순히 정체를 추측하는 것이 아니라, 자신의 작업 과정을 보여줍니다. 즉, 결정에 있어 어떤 증거가 가장 중요했는지를 정확히 강조함으로써, 인간 전문가가 컴퓨터의 제안 뒤에 숨겨진 논리를 확인하고 그것이 과학적으로 타당한지 검증할 수 있도록 합니다.

아이디어를 테스트하기 위해 연구팀은 1,200건의 실종 사건을 나타내는 방대한 디지털 데이터셋을 구축했습니다. 이 기록들은 완벽하지 않았으며, 선명한 사진이 있는 경우도 있었고, DNA가 있는 경우도 있었으며, 많은 경우가 부분적인 정보만을 가지고 있는 실제 세계를 모방했습니다. 연구진은 이 데이터를 새로운 시스템에 입력하고, 한 번에 한 가지 유형의 증거만을 살펴보는 기존 방식들과 성능을 비교했습니다. 결과는 명확했습니다. 모든 정보를 결합한 시스템이 단일 방법보다 훨씬 더 뛰어난 성능을 보였습니다. 시스템이 얼굴 특징만을 사용했을 때의 AUC는 0.82였고, 생물학적 증거만을 사용했을 때는 0.88을 달 기록했습니다. 그러나 시스템이 사용 가능한 모든 단서를 융합했을 때, AUC는 0.96까지 상승했습니다. 이러한 향상은 서로 다른 유형의 증거가 서로를 뒷받침하고 빈틈을 메워줌으로써, 조사관들이 퇴화하거나 누락된 데이터의 한계를 극복할 수 있음을 시사합니다.

결정적으로, 이 연구는 단지 정답을 찾는 데 그치지 않고, 그 답이 어떻게 도출되었는지에 집중했습니다. 연구진은 컴퓨터의 의사 결정 과정을 분해하기 위해 특정 도구들을 사용했습니다. 그들은 시스템이 단순히 얼굴 매칭과 같은 단 하나의 요소에만 의존하는 것이 아니라, 여러 요인을 함께 가중치를 두어 고려한다는 것을 발견했습니다. 예를 들어, 시스템은 얼굴 특징이 유사하고, 뼈를 통해 추정한 연령이 실종자의 생애 주기와 일치하며, 발견된 지리적 위치가 해당 인물의 이력과 일치하기 때문에 매칭 가능성이 높다고 판단할 수 있습니다. 시스템은 각 단서에 특정 가중치를 부여했는데, 이를 통해 얼굴 이미지가 가장 강력한 지표로서 최종 결정에 거의 29% 기여했으며, 지리적 일관성 및 생물학적 프로필 추정치와 같은 다른 요인들이 보조적인 역할을 수행했음을 보여주었습니다. 이러한 수준의 상세함은 법의학 전문가가 컴퓨터의 출력값을 보고 "왜 그런 연결을 했는지 알겠다"라고 하거나, "이 부분의 추론은 적절하지 않아 보인다"라고 말할 수 있게 하여, 기술이 인간의 판단을 대체하는 것이 아니라 인간의 판단을 돕는 도구로 남도록 보장합니다.

또한 연구는 시스템이 사람을 올바르게 식별하지 못한 경우를 조사했습니다. 이러한 오류를 분석함으로써 연구진은 실수의 가장 흔한 원인이 저품질 이미지, 생물학적 증거의 완전한 부재, 또는 서로 다른 출처 간의 상충하는 정보라는 것을 발견했습니다. 이 발견은 매우 중요한데, 이는 조사관들에게 정확히 어디에 노력을 집중해야 하는지를 알려주기 때문입니다. 만약 사건에 명확한 사진이 부족하다면 시스템은 다른 데이터에 더 많이 의사적으로 의존하게 되지만, 증거가 너무 모순되거나 품질이 너무 낮으면 시스템은 확신을 가지고 매칭을 할 수 없다는 신호를 보냅니다. 이러한 불확실성에 대한 정직함은 프레임워크의 핵심적인 부분이며, 과도하게 자신만만한 컴퓨터의 추측에서 비롯될 수 있는 헛된 희망을 방지합니다.

연구진은 이 시스템이 최종 판결이 아니라 의사 결정 지원 도구임을 강조합니다. 법적 및 법의학적 세계에서 식별에 대한 책임은 항상 과학적 증거를 사건의 맥락과 함께 평가할 수 있는 인간 전문가에게 남아 있어야 합니다. 새로운 프레임워크는 단순히 복잡한 정보를 정리하고 가장 유망한 단서를 강조하는 방법을 제공할 뿐입니다. 인공지능을 투명하게 만듦으로써, 연구진은 첨단 컴퓨팅 능력과 엄격한 법의학 표준 사이의 가교를 만들었습니다. 이 연구는 향후 장기 실종 사건을 해결하는 것이 단 하나의 완벽한 증거를 찾는 것에 달려 있는 것이 아니라, 흔히 구할 수 있는 수많은 불완전한 단서들을 지능적으로 결합하는 능력에 달려 있음을 시사합니다. 이 접근 방식은 흩어진 데이터의 집합을 명확하고 이해 가능하며 과학적으로 타당한 식별 경로로 전환함으로써, 수년간 미제로 남아 있던 사건들을 해결할 수 있는 길을 제시합니다.