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

Todos os anos, milhares de pessoas desaparecem, deixando para trás um rastro de silêncio que famílias e investigadores lutam para preencher. No mundo da ciência forense, o objetivo é dar um nome ao desconhecido, uma tarefa que tradicionalmente dependeu de algumas ferramentas poderosas. A mais confiável delas é o perfil de DNA, que compara material genético para encontrar uma correspondência, mas este método falha se não houver uma amostra biológica disponível ou se a amostra de referência de um parente estiver ausente. Outros métodos, como a análise de restos esqueléticos para estimar idade e altura ou a comparação de fotografias faciais, oferecem pistas, mas são frequentemente limitados pela qualidade das evidências ou pela passagem do tempo. Quando uma pessoa está desaparecida há anos, seu rosto muda, os ossos podem estar danificados e os registros podem estar incompletos, deixando os investigadores com fragmentos de informações que não se encaixam facilmente.

Durante décadas, cientistas tentaram resolver esses quebra-cabeças olhando para um tipo de evidência de cada vez, mas a realidade de um caso de pessoa desaparecida raramente é tão simples. Uma única fotografia pode ser muito borrada, uma amostra de DNA pode estar degradada e um registro odontológico pode estar perdido. O desafio reside em tecer esses fios díspares — visuais, biológicos e contextuais — em uma imagem única e coerente. É aqui que entra o trabalho dos pesquisadores da National Forensic Sciences University. Eles desenvolveram uma nova maneira de abordar essas investigações usando inteligência artificial, não como uma caixa mágica que cospe uma resposta, mas como um parceiro transparente que ajuda especialistas humanos a compreender o caos.

Os pesquisadores construíram um sistema projetado para lidar com a natureza desordenada e incompleta dos casos reais de pessoas desaparecidas. Em vez de depender de um único método, eles criaram uma estrutura que reúne diferentes tipos de evidências: imagens faciais, medições esqueléticas, dados biológicos, detalhes demográficos e as circunstâncias do desaparecimento. No passado, programas de computador usados para identificação frequentemente agiam como "caixas pretas", fornecendo um resultado sem explicar como chegaram a ele. Essa falta de transparência é um grande problema na forense, onde uma identificação errada pode ter consequências jurídicas que alteram vidas. Para corrigir isso, a equipe integrou um recurso chamado "inteligência artificial explicável". Esta tecnologia não apenas adivinha uma identidade; ela mostra seu trabalho. Ela destaca exatamente quais peças de evidência foram mais importantes para tomar uma decisão, permitindo que um especialista humano veja a lógica por trás da sugestão do computador e verifique se ela faz sentido científico.

Para testar sua ideia, a equipe construiu um enorme conjunto de dados digitais representando 1.200 casos de pessoas desaparecidas. Esses registros não eram perfeitos; eles mimetizavam o mundo real, onde alguns casos tinham fotos claras, outros tinham DNA e muitos tinham uma mistura de informações parciais. Os pesquisadores inseriram esses dados em seu novo sistema e compararam seu desempenho contra métodos mais antigos que olhavam para apenas um tipo de evidência por vez. Os resultados foram claros: o sistema que combinou todas as informações foi significativamente melhor na identificação de indivíduos do que qualquer método individual por si só. Quando o sistema usou apenas características faciais, alcançou um AUC de 0,82. Quando usou apenas evidências biológicas, alcançou um AUC de 0,88. No entanto, quando o sistema fundiu todas as pistas disponíveis, seu AUC subiu para 0,96. Essa melhoria sugere que, ao permitir que diferentes tipos de evidências apoiem e preencham as lacunas uns dos outros, os investigadores podem superar as limitações de dados degradados ou ausentes.

Crucialmente, o estudo não parou apenas em obter a resposta certa; focou em como a resposta foi alcançada. Os pesquisadores usaram ferramentas específicas para decompor o processo de tomada de decisão do computador. Eles descobriram que o sistema não dependia de apenas um fator, como uma correspondência facial, mas pesava múltiplos fatores em conjunto. Por exemplo, o sistema pode determinar que uma correspondência é provável porque as características faciais são semelhantes, a idade estimada pelos ossos se alinha com a linha do tempo da pessoa desaparecida e a localização geográfica do achado é consistente com o histórico da pessoa. O sistema atribuiu um peso específico a cada uma dessas pistas, mostrando que a imagem facial era o indicador mais forte, contribuindo com quase 29 por cento para a decisão final, enquanto outros fatores, como consistência geográfica e estimativas de perfil biológico, desempenharam papéis de apoio. Esse nível de detalhe permite que um especialista forense olhe para a saída do computador e diga: "Eu vejo por que ele fez essa conexão" ou "Esta parte do raciocínio parece incorreta", garantindo que a tecnologia permaneça uma ferramenta para o julgamento humano, e não um substituto para ele.

O estudo também examinou onde o sistema falhou em identificar uma pessoa corretamente. Ao analisar esses erros, os pesquisadores descobriram que os motivos mais comuns para equívocos eram imagens de má qualidade, a ausência total de evidências biológicas ou informações conflitantes entre diferentes fontes. Essa descoberta é vital porque diz aos investigadores exatamente onde concentrar seus esforços. Se um caso carece de uma fotografia clara, o sistema sabe que deve confiar mais em outros dados, mas se as evidências forem muito contraditórias ou de qualidade muito baixa, o sistema sinaliza que uma correspondência não pode ser feita com confiança. Essa honestidade sobre a incerteza é uma parte fundamental da estrutura, evitando a falsa esperança que pode vir de um palpite excessivamente confiante do computador.

Os pesquisadores enfatizam que este sistema não é um veredito final, mas uma ferramenta de suporte à decisão. Nos mundos jurídico e forense, a responsabilidade por uma identificação deve sempre permanecer com um especialista humano que possa pesar a evidência científica contra o contexto do caso. A nova estrutura simplesmente fornece uma maneira de organizar informações complexas e destacar as pistas mais promissoras. Ao tornar a inteligência artificial transparente, os pesquisadores criaram uma ponte entre o poder computacional avançado e os rigorosos padrões da ciência forense. O trabalho sugere que, no futuro, resolver casos de pessoas desaparecidas de longo prazo não dependerá de encontrar uma única peça perfeita de evidência, mas da capacidade de combinar inteligentemente as muitas pistas imperfeitas que costumam estar disponíveis. Essa abordagem oferece um caminho à frente para casos que permaneceram sem solução por anos, transformando uma coleção dispersa de dados em um caminho claro, compreensível e cientificamente sólido em direção à identificação.