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

每年都有数以千计的人员失踪，留下了一段让家属和调查人员难以填补的沉默轨迹。在法医学领域，目标是为未知赋予一个名字，而这项任务传统上依赖于几种强大的工具。其中最受信任的是 DNA 分型，它通过比较遗传物质来寻找匹配项，但如果无法获得生物样本或缺乏亲属的参考样本，这种方法就会失效。其他方法，如通过分析骸骨残骸来估算年龄和身高，或对比面部照片，虽然能提供线索，但往往受限于证据质量或时间的流逝。当一个人失踪多年后，其面容会发生变化，骨骼可能受损，记录也可能并不完整，这使得调查人员手中的碎片化信息难以拼凑在一起。

几十年来，科学家们一直试图通过一次只观察一种类型的证据来破解这些谜题，但失踪人口案件的现实情况很少如此简单。一张照片可能太模糊，一份 DNA 样本可能已经降解，或者一份牙科记录可能已经丢失。挑战在于如何将这些零散的线索——视觉、生物学和背景信息——编织成一幅单一且连贯的图景。这正是国家法医学大学研究人员的工作所在。他们开发了一种处理此类调查的新方法，即使用人工智能，它不是一个直接吐出答案的“魔法盒”，而是一个透明的伙伴，帮助人类专家理清混乱。

研究人员构建了一个旨在应对现实世界中失踪人口案件那种杂乱、不完整特性的系统。他们没有依赖单一方法，而是创建了一个框架，将不同类型的证据整合在一起：面部图像、骸骨测量数据、生物学数据、人口统计细节以及失踪时的相关情况。在过去，用于身份识别的计算机程序通常充当“黑箱”，只提供结果而不解释其推导过程。这种透明度的缺失在法医学中是一个重大问题，因为错误的识别可能会带来改变人生的法律后果。为了解决这个问题，团队集成了一个名为“可解释人工智能”的功能。这项技术不仅是在做猜测，它还会展示其推导过程。它会明确指出哪些证据在做出决策时最为重要，从而让专家能够看到计算机建议背后的逻辑，并验证其是否符合科学逻辑。

为了测试他们的想法，团队构建了一个代表 1,200 起失踪人口案件的海量数字数据集。这些记录并不完美；它们模拟了现实世界的情况，即有些案件有清晰的照片，有些有 DNA，而许多案件则只有部分信息。研究人员将这些数据输入到新系统中，并将其表现与仅观察单一类型证据的旧方法进行了对比。结果显而易见：这个整合了所有信息的系统在识别个体方面的表现显著优于任何单一方法。当系统仅使用面部特征时，其 AUC（曲线下面积）为 0.82。当仅使用生物学证据时，其 AUC 为 0.88。然而，当系统融合了所有可用线索时，其 AUC 提升到了 0.96。这一进步表明，通过让不同类型的证据相互支持并填补彼此的空白，调查人员可以克服降解或缺失数据的局限性。

至关重要的是，这项研究不仅仅止步于获得正确答案，它还关注答案是如何被得出的。研究人员使用了特定的工具来拆解计算机的决策过程。他们发现，系统并非仅仅依赖于某一个因素（如面部匹配），而是综合权衡了多个因素。例如，系统可能会判定某次匹配极有可能发生，是因为面部特征相似、骸骨估算的年龄与失踪者的生命周期一致，且发现地点与该人的历史轨迹相符。系统为每个线索分配了特定的权重，显示出面部图像是最强的指标，对最终决策的贡献接近 2 9%，而地理一致性和生物特征评估等其他因素则起到了辅助作用。这种细节水平允许法医专家审视计算机的输出并表示：“我明白它为什么建立这种联系，”或者“这部分的推理似乎不对劲，”从而确保技术始终是人类判断的工具，而非替代品。

研究还检查了系统未能正确识别人员的情况。通过分析这些错误，研究人员发现，导致错误的最常见原因是图像质量差、完全缺乏生物学证据，或是不同来源的信息存在冲突。这一发现至关重要，因为它告诉调查人员应该在哪里集中精力。如果一个案件缺乏清晰的照片，系统知道应更多地依赖其他数据；但如果证据过于矛盾或质量过低，系统会发出信号，表明无法有把握地进行匹配。这种对不确定性的诚实是该框架的核心部分，防止了因过度自信的计算机猜测而带来的虚假希望。

研究人员强调，该系统并非最终裁决，而是一个决策支持工具。在法律和法医学领域，身份识别的责任必须始终由能够权衡科学证据与案件背景的人类专家承担。新的框架仅仅提供了一种组织复杂信息并突出最有希望线索的方法。通过使人工智能透明化，研究人员在先进计算能力与严谨的法医学标准之间架起了一座桥梁。这项工作表明，在未来，解决长期失踪案件将不再取决于寻找单一的完美证据，而取决于能否智能地结合现有的众多不完美的线索。这种方法为那些已搁置多年的案件提供了一条路径，将零散的数据转化为清晰、可理解且具有科学依据的识别路径。