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

Elk jaar verdwijnen duizenden mensen, waarbij ze een spoor van stilte achterlaten waar families en onderzoekers moeite mee hebben te vullen. In de wereld van de forensische wetenschap is het doel om een naam te geven aan het onbekende, een taak die traditioneel steunt op een handvol krachtige instrumenten. De meest vertrouwde hiervan is DNA-profilering, die genetisch materiaal vergelijkt om een match te vinden, maar deze methode faalt als er geen biologisch monster beschikbaar is of als het referentiemateriaal van een familielid ontbreekt. Andere methoden, zoals het analyseren van skeletresten om leeftijd en lengte te schatten of het vergelijken van gezichtsfoto's, bieden aanwijzingen maar zijn vaak beperkt door de kwaliteit van het bewijs of het verstrijken van de tijd. Wanneer iemand jarenlang vermist is, verandert het gezicht, kunnen botten beschadigd raken en kunnen dossiers incompleet zijn, waardoor onderzoekers achterblijven met fragmenten informatie die niet gemakkelijk in elkaar passen.

Decennialang hebben wetenschappers geprobeerd deze puzzels op te lossen door naar één type bewijs tegelijk te kijken, maar de realiteit van een vermissingszaak is zelden zo eenvoudig. Eén enkele foto kan te wazig zijn, een DNA-monster kan gedegradeerd zijn en een tandheelkundige registratie kan verloren zijn gegaan. De uitdaging ligt in het samenweven van deze uiteenlopende draden — visueel, biologisch en contextueel — tot één samenhangend beeld. Dit is waar het werk van onderzoekers aan de National Forensic Sciences University om de hoek komt kijken. Zij hebben een nieuwe manier ontwikkeld om deze onderzoeken aan te pakken door gebruik te maken van kunstmatige intelligentie, niet als een magische doos die een antwoord uitspuugt, maar als een transparante partner die menselijke experts helpt de chaos te begrijpen.

De onderzoekers bouwden een systeem dat ontworpen is om de rommelige, incomplete aard van echte vermissingszaken in de praktijk aan te pakken. In plaats van te vertrouwen op één enkele methode, creëerden zij een raamwerk dat verschillende soorten bewijs samenbrengt: gezichtsbeelden, skeletmetingen, biologische gegevens, demografische details en de omstandigheden rondom de verdwijning. In het verleden fungeerden computerprogramma's die voor identificatie werden gebruikt vaak als "black boxes", die een resultaat boden zonder uit te leggen hoe ze tot dat resultaat waren gekomen. Dit gebrek aan transparantie is een groot probleem in de forensische wetenschap, waar een foutieve identificatie levensveranderende juridische gevolgen kan hebben. Om dit op te lossen, integreerde het team een functie genaamd "explainable artificial intelligence" (uitlegbare kunstmatige intelligentie). Deze technologie raadt niet alleen een identiteit, maar laat ook zien hoe het tot een conclusie komt; het benadrukt precies welke stukken bewijs het belangrijkst waren bij het nemen van een beslissing, waardoor een menselijke expert de logica achter de suggestie van de computer kan zien en kan verifiëren of deze wetenschappelijk gezien klopt.

Om hun idee te testen, construeerde het team een enorme digitale dataset die 1.200 vermissingszaken vertegenwoordigt. Deze dossiers waren niet perfect; ze imiteerden de echte wereld waarin sommige zaken duidelijke foto's hadden, andere DNA hadden, en velen een mix van gedeeltelijke informatie hadden. De onderzoekers voerden deze gegevens in hun nieuwe systeem in en vergeleken de prestaties ervan met oudere methoden die slechts naar één type bewijs tegelijk keken. De resultaten waren duidelijk: het systeem dat alle informatie combineerde, was aanzienlijk beter in het identificeren van individuen dan enige enkele methode op zichzelf. Wanneer het systeem alleen gezichtskenmerken gebruikte, bereikte het een AUC van 0,82. Wanneer het alleen biologisch bewijs gebruikte, bereikte het een AUC van 0,88. Echter, wanneer het systeem alle beschikbare aanwijzingen samenvoegde, steeg de AUC naar 0,96. Deze verbetering suggereert dat door verschillende soorten bewijs elkaar te laten ondersteunen en de hiaten in elkaar te laten opvullen, onderzoekers de beperkingen van gedegradeerde of ontbrekende gegevens kunnen overwinnen.

Cruciaal was dat de studie niet stopte bij het vinden van het juiste antwoord; het richtte zich ook op hoe dat antwoord werd bereikt. De onderzoekers gebruikten specifieke instrumenten om het besluitvormingsproces van de computer te ontleden. Ze ontdekten dat het systeem niet op slechts één factor vertrouwde, zoals een gezichtsmatch, maar meerdere factoren samen woog. Het systeem kan bijvoorbeeld bepalen dat een match waarschijnlijk is omdat de gelaatstrekken overeenkomen, de geschatte leeftijd vanaf de botten aansluit bij de tijdlijn van de vermiste persoon, en de geografische locatie van de vondst consistent is met de geschiedenis van de persoon. Het systeem kende een specifiek gewicht toe aan elk van deze aanwijzingen, waarbij het liet zien dat het gezicht beeld de sterkste indicator was en bijna 2cent procent bijdroeg aan de uiteindelijke beslissing, terwijl andere factoren zoals geografische consistentie en biologische profielschattingen een ondersteunende rol speelden. Dit niveau van detail stelt een forensisch expert in staat om naar de output van de computer te kijken en te zeggen: "Ik zie waarom het die connectie heeft gemaakt," of "Dit deel van de redenering lijkt niet te kloppen," waardoor wordt gewaarborgd dat de technologie een hulpmiddel blijft voor menselijk oordeel in plaats van een vervanging ervan.

De studie onderzocht ook waar het systeem er niet in slaagde een persoon correct te identificeren. Door deze fouten te analyseren, ontdekten de onderzoekers dat de meest voorkomende redenen voor fouten slechte kwaliteit van afbeeldingen, een volledig gebrek aan biologisch bewijs, of tegenstrijdige informatie tussen verschillende bronnen waren. Dit inzicht is essentieel omdat het onderzoekers precies vertelt waar zij hun inspanningen op moeten richten. Als een zaak een duidelijke foto mist, weet het systeem dat het meer moet leunen op andere gegevens, maar als het bewijs te tegenstrijdig of van te lage kwaliteit is, signaleert het systeem dat een match niet met vertrouwen kan worden gemaakt. Deze eerlijkheid over onzekerheid is een essentieel onderdeel van het raamwerk, wat valse hoop voorkomt die kan voortkomen uit een overmoedige computergok.

De onderzoekers benadrukken dat dit systeem geen definitief oordeel is, maar een beslissingsondersteunend instrument. In de juridische en forensische wereld moet de verantwoordelijkheid voor een identificatie altijd bij een menselijke expert blijven die het wetenschappelijke bewijs kan afwegen tegen de context van de zaak. Het nieuwe raamwerk biedt simpelweg een manier om complexe informatie te organiseren en de meest veelbelovende sporen uit te zetten. Door de kunstmatige intelligentie transparant te maken, hebben de onderzoekers een brug geslagen tussen geavanceerde rekenkracht en de strenge standaarden van de forensische wetenschap. Het werk suggereert dat het oplossen van langdurige vermissingszaken in de toekomst niet zal afhangen van het vinden van één enkel perfect stuk bewijs, maar van het vermogen om de vele imperfecte aanwijzingen die vaak beschikbaar zijn intelligent te combineren. Deze aanpak biedt een weg vooruit voor zaken die al jaren onopgelost zijn, door een verspreide verzameling gegevens te veranderen in een helder, begrijpelijk en wetenschappelijk onderbouwd pad naar identificatie.