Η τεχνητή νοημοσύνη μπήκε στο νεκροτομείο, αλλά μπέρδεψε μία στις οκτώ οπές πυροβολισμού
Αλγόριθμος αναγνώρισε με ακρίβεια 88% τις πύλες εισόδου και εξόδου, όμως απέτυχε δραματικά στις δυσκολότερες περιπτώσεις.
Μπορεί ένας αλγόριθμος, εξετάζοντας αποκλειστικά μία φωτογραφία, να διακρίνει εάν ένα τραύμα από πυροβόλο όπλο αποτελεί πύλη εισόδου ή εξόδου του βλήματος; Μια επιστημονική ομάδα από τις ΗΠΑ επιχείρησε να απαντήσει καταφατικά, αναπτύσσοντας σύστημα βαθιάς μάθησης, το οποίο πέτυχε συνολική ακρίβεια σχεδόν 88%.
Πίσω, όμως, από το εντυπωσιακό ποσοστό κρύβεται ένα κρίσιμο εύρημα: στις εκατό (100) φωτογραφίες που δυσκόλεψαν περισσότερο τον αλγόριθμο, το σύστημα έδωσε σωστή απάντηση μόλις στις δεκαπέντε. Σε ορισμένες περιπτώσεις απέτυχε ακόμη και όταν υπήρχαν μορφολογικά χαρακτηριστικά, τα οποία ένας ιατροδικαστής θα θεωρούσε ενδεικτικά της πύλης εισόδου.
Η μελέτη, με τίτλο «Artificial intelligence for human gunshot wound classification», δημοσιεύθηκε στο επιστημονικό περιοδικό *Journal of Pathology Informatics*. Αποτελεί μία από τις πρώτες απόπειρες εφαρμογής τεχνητής νοημοσύνης σε πραγματικές φωτογραφίες ανθρώπινων τραυμάτων από πυροβόλο όπλο, και όχι σε πειραματικές βολές πάνω σε ζώα ή συνθετικά ομοιώματα.
Τα αποτελέσματα δείχνουν ότι η τεχνολογία μπορεί να αποτελέσει ένα χρήσιμο δεύτερο εργαλείο ελέγχου. Συγχρόνως, όμως, αποκαλύπτουν πόσο επικίνδυνο θα ήταν να μετατραπεί ένα πιθανολογικό αποτέλεσμα σε «αντικειμενική» ιατροδικαστική βεβαιότητα.
Τι ακριβώς έκανε ο αλγόριθμος
Οι ερευνητές συγκέντρωσαν από το ιατροδικαστικό αρχείο του φορέα τους 2.418 έγχρωμες ψηφιακές φωτογραφίες τραυμάτων. Επειδή ορισμένες φωτογραφίες περιείχαν περισσότερες από μία οπές, απομονώθηκαν συνολικά 3.342 επιμέρους εικόνες τραυμάτων: 2.028 πύλες εισόδου και 1.314 πύλες εξόδου.
Οι εικόνες περικόπηκαν, ώστε να εστιάζουν στην περιοχή του τραύματος, μειώθηκαν σε χαμηλή ανάλυση και υποβλήθηκαν σε ψηφιακές μεταβολές —περιστροφή, αλλαγή φωτεινότητας, μεγέθυνση, παραμόρφωση και οριζόντια ή κάθετη αντιστροφή— προκειμένου να αυξηθεί τεχνητά η ποικιλία των δεδομένων εκπαίδευσης.
Δοκιμάστηκαν διαφορετικές αρχιτεκτονικές βαθιάς μάθησης. Καλύτερα απέδωσε το μοντέλο ConvNeXt Tiny, το οποίο έφθασε σε ακρίβεια 92,6% στο σύνολο επικύρωσης που χρησιμοποιήθηκε κατά την ανάπτυξή του.
Η πραγματική δοκιμασία έγινε σε ένα πρόσθετο, χωριστό σύνολο 708 εικόνων, οι οποίες δεν είχαν χρησιμοποιηθεί για την εκπαίδευση του μοντέλου. Από αυτές, οι 415 απεικόνιζαν πύλες εισόδου και οι 293 πύλες εξόδου.
Ο αλγόριθμος κατέταξε σωστά 623 από τις 708 φωτογραφίες. Έδωσε, δηλαδή, εσφαλμένη απάντηση σε 85 περιπτώσεις — ποσοστό 12%. Ειδικότερα:
* αναγνώρισε σωστά 366 από τις 415 πύλες εισόδου,
* χαρακτήρισε λανθασμένα 49 πύλες εισόδου ως εξόδου,
* αναγνώρισε σωστά 257 από τις 293 πύλες εξόδου,
* χαρακτήρισε λανθασμένα 36 πύλες εξόδου ως εισόδου.
Η συνολική ακρίβεια ήταν 87,99%, με δείκτη AUC 0,946. Πρόκειται αναμφίβολα για ένα ενθαρρυντικό τεχνικό αποτέλεσμα. Δεν σημαίνει, όμως, ότι το σύστημα έχει ακρίβεια 88% σε κάθε πραγματική υπόθεση ή ότι μπορεί να υποκαταστήσει μια ολοκληρωμένη ιατροδικαστική εξέταση.
Η (πλήρης) κατάρρευση στις δύσκολες περιπτώσεις
Το αποκαλυπτικότερο μέρος της μελέτης βρίσκεται στην εξέταση των εκατό (100) εικόνων, στις οποίες ο αλγόριθμος εμφάνισε τη μεγαλύτερη αβεβαιότητα ή το σοβαρότερο σφάλμα.
Οι φωτογραφίες αυτές δόθηκαν ανωνυμοποιημένες σε δύο (2) έμπειρους ιατροδικαστές. Η ανθρώπινη αξιολόγηση που καταγράφεται στη μελέτη κατέταξε σωστά 56 από τις εκατό εικόνες. Ο αλγόριθμος αναγνώρισε σωστά μόλις δεκαπέντε (15).
Στις 54 πύλες εισόδου του συγκεκριμένου υποσυνόλου, οι ιατροδικαστές έδωσαν 43 σωστές απαντήσεις, ενώ η τεχνητή νοημοσύνη μόλις πέντε (5). Σε μία περίπτωση, μάλιστα, ο αλγόριθμος χαρακτήρισε ως πύλη εξόδου τραύμα γύρω από το οποίο υπήρχε στικτή εναπόθεση άκαυτων κόκκων πυρίτιδας — εύρημα που αποτελεί χαρακτηριστική ένδειξη εισόδου και δεν αναμένεται σε πύλη εξόδου.
Η ανθρώπινη επίδοση δεν ήταν, πάντως, αλάνθαστη. Στις 46 δυσχερείς πύλες εξόδου, οι ιατροδικαστές απάντησαν σωστά μόνο σε δεκατρείς (13) περιπτώσεις και ο αλγόριθμος σε δέκα (10). Το εύρημα αναδεικνύει όχι μόνο τις αδυναμίες της τεχνητής νοημοσύνης, αλλά και την πραγματική δυσκολία ορισμένων ιατροδικαστικών περιστατικών, όταν η αξιολόγηση περιορίζεται σε μία αποκομμένη φωτογραφία.
Το συγκεκριμένο υποσύνολο είχε επιλεγεί ακριβώς επειδή περιείχε τις δυσκολότερες εικόνες για τον αλγόριθμο. Συνεπώς, το ποσοστό 15% δεν μπορεί να παρουσιαστεί ως συνολική απόδοση του συστήματος. Αποδεικνύει, όμως, ότι το μοντέλο μπορεί να αποτυγχάνει μαζικά στις περιπτώσεις, στις οποίες η ορθή διάγνωση είναι περισσότερο περίπλοκη και, ενδεχομένως, δικαστικά κρισιμότερη.
Τι δεν «βλέπει» η τεχνητή νοημοσύνη
Ο αλγόριθμος εξετάζει μια δισδιάστατη, περικομμένη εικόνα. Ο ιατροδικαστής, αντίθετα, εξετάζει το σώμα, ψηλαφεί και διατέμνει τους ιστούς, διερευνά την πορεία του βλήματος, συσχετίζει τα τραύματα μεταξύ τους και αξιολογεί τις ακτινογραφίες ή τη μεταθανάτια αξονική τομογραφία.
Παράλληλα, λαμβάνει υπόψη:
* τη θέση και τη στάση του σώματος,
* τα ενδύματα και τα ενδεχόμενα κατάλοιπα πυρίτιδας,
* το είδος του όπλου και του πυρομαχικού,
* την παρουσία ενδιάμεσου στόχου, όπως τζάμι ή μεταλλική επιφάνεια,
* τις οστικές βλάβες και τη φορά της λοξότμησης,
* την ανεύρεση ή μη του βλήματος μέσα στο σώμα,
* τα δεδομένα της αυτοψίας του χώρου και τις καταθέσεις.
Μια πύλη εισόδου μπορεί να εμφανίζεται άτυπη, όταν το βλήμα έχει προηγουμένως προσκρούσει σε άλλο αντικείμενο. Η δίοδος μέσα από τα ρούχα μπορεί να αποκρύψει αιθάλη ή κατάλοιπα πυρίτιδας. Τραύματα πάνω από οστικές επιφάνειες ενδέχεται να αποκτήσουν αστεροειδή μορφή και να μοιάζουν με πύλες εξόδου. Προβλήματα μπορούν επίσης να εμφανιστούν σε πτυχές του δέρματος, ιδίως σε παχύσαρκα σώματα, ή σε περιπτώσεις πολλαπλών πυροβολισμών με παραμονή ενός ή περισσότερων βλημάτων στο σώμα.
Το σύστημα δεν δοκιμάστηκε ως προς την απόσταση της βολής, τη φορά της συνολικής τραυματικής διαδρομής, τη θέση του δράστη ή τον χαρακτηρισμό του θανάτου ως ανθρωποκτονίας, αυτοκτονίας ή ατυχήματος. Κάθε τέτοια επέκταση των αποτελεσμάτων θα ήταν επιστημονικά αδικαιολόγητη.
Τα μεθοδολογικά ερωτήματα
Η μελέτη διαθέτει ισχυρά στοιχεία: χρησιμοποιεί πραγματικές ανθρώπινες κακώσεις, σχετικά μεγάλο αριθμό φωτογραφιών, χωριστό σύνολο δοκιμής και περισσότερους από έναν δείκτες απόδοσης. Οι συγγραφείς δεν αποκρύπτουν, επίσης, τις αδυναμίες του μοντέλου.
Παραμένουν, ωστόσο, σοβαρά ερωτήματα πριν από οποιαδήποτε χρήση σε πραγματικές ιατροδικαστικές υπηρεσίες.
Όλο το υλικό προέρχεται από το αρχείο ενός φορέα. Δεν έγινε εξωτερική επικύρωση με περιστατικά άλλων ιατροδικαστικών υπηρεσιών, διαφορετικών χωρών ή διαφορετικών πρωτοκόλλων φωτογράφισης. Η ποιότητα, η ανάλυση, ο φωτισμός και η έκθεση των φωτογραφιών διέφεραν σημαντικά, ενώ το δείγμα περιείχε περισσότερες πύλες εισόδου από εξόδου.
Δεν παρουσιάζεται αναλυτική κατανομή ανάλογα με το χρώμα του δέρματος, την ηλικία, τη σωματική διάπλαση, την ανατομική περιοχή, το είδος όπλου, το διαμέτρημα, την απόσταση βολής ή τις συνθήκες φωτογράφισης. Δεν μπορεί, επομένως, να αποκλειστεί ότι η απόδοση μεταβάλλεται ουσιωδώς σε ομάδες ή περιστατικά που υποεκπροσωπούνται στο αρχείο.
Δεν δημοσιοποιούνται, επίσης, το εκπαιδευμένο μοντέλο και το φωτογραφικό υλικό, το οποίο εύλογα υπόκειται σε αυστηρούς περιορισμούς λόγω της φύσης του. Αυτό, όμως, δυσχεραίνει την ανεξάρτητη αναπαραγωγή των αποτελεσμάτων.
Ένας ακόμη κίνδυνος είναι ο αλγόριθμος να έχει μάθει όχι μόνο τα χαρακτηριστικά των τραυμάτων αλλά και μη ουσιώδεις λεπτομέρειες των φωτογραφιών: τον φωτισμό, το φόντο, τον τρόπο τοποθέτησης της κλίμακας, ακόμη και διαφορετικές πρακτικές φωτογράφισης συγκεκριμένων κατηγοριών τραυμάτων. Χωρίς πολυκεντρική και προοπτική δοκιμή, δεν γνωρίζουμε εάν αναγνωρίζει πραγματικά την ιατροδικαστική μορφολογία ή απλώς συσχετίσεις του συγκεκριμένου αρχείου.
Από το εργαστήριο στο ποινικό δικαστήριο
Η εσφαλμένη αντιστροφή μιας πύλης εισόδου και μιας πύλης εξόδου δεν αποτελεί απλό τεχνικό σφάλμα. Μπορεί να μεταβάλει την υποτιθέμενη πορεία του βλήματος, τη θέση θύματος και δράστη, την αξιολόγηση μιας μαρτυρίας ή ακόμη και την εκδοχή περί αυτοκτονίας, ατυχήματος ή ανθρωποκτονίας.
Για τον λόγο αυτό, ένα τέτοιο σύστημα δεν πρέπει να εμφανίζεται στο δικαστήριο ως αυτόνομος «ψηφιακός πραγματογνώμονας». Θα μπορούσε να χρησιμοποιείται ως δεύτερο εργαλείο ποιοτικού ελέγχου, το οποίο ειδοποιεί τον ιατροδικαστή, όταν η πρόβλεψή του διαφέρει από την ανθρώπινη εκτίμηση. Η τελική γνωμοδότηση, όμως, πρέπει να παραμένει προσωπική, αιτιολογημένη και επιστημονικά ελέγξιμη.
Εάν η αλγοριθμική πρόβλεψη επηρεάζει το πόρισμα, η υπεράσπιση και το δικαστήριο πρέπει να γνωρίζουν τουλάχιστον:
* ποια έκδοση του μοντέλου χρησιμοποιήθηκε,
* σε ποιο υλικό εκπαιδεύτηκε,
* ποια είναι τα ποσοστά και τα είδη των σφαλμάτων του,
* εάν έχει επικυρωθεί σε ανεξάρτητο πληθυσμό,
* ποια ήταν η πιθανότητα που απέδωσε στη συγκεκριμένη εικόνα,
* εάν ο ιατροδικαστής συμφώνησε ή διαφώνησε με την πρόβλεψη,
* εάν διατηρήθηκαν η αρχική φωτογραφία, τα μεταδεδομένα και το αρχείο της ανάλυσης.
Χωρίς αυτά τα στοιχεία, δεν είναι δυνατός ο ουσιαστικός αντίλογος ούτε η επανάληψη του ελέγχου από τεχνικό σύμβουλο.
Η μεταγενέστερη διόρθωση του περιοδικού
Το 2026 το περιοδικό δημοσίευσε διόρθωση, διευκρινίζοντας ότι το άρθρο είχε συγγραφείς, οι οποίοι συμμετείχαν στη συντακτική επιτροπή του. Σύμφωνα με τον εκδότη, τα πρόσωπα αυτά είχαν εξαιρεθεί από την αξιολόγηση και τη λήψη της εκδοτικής απόφασης για το δικό τους άρθρο, αλλά η σχετική πληροφορία είχε παραλειφθεί από την αρχική δημοσίευση.
Η διόρθωση δεν ανακαλεί ούτε μεταβάλλει τα επιστημονικά αποτελέσματα. Είναι, όμως, στοιχείο που πρέπει να αναφέρεται για λόγους πλήρους διαφάνειας. Στην αρχική δήλωση σύγκρουσης συμφερόντων αναφερόταν επίσης ότι ένας από τους συγγραφείς συμμετείχε σε επιστημονικά συμβούλια εταιρειών, παρείχε συμβουλευτικές υπηρεσίες και ήταν συνιδιοκτήτης εταιρειών σχετικών με την τεχνητή νοημοσύνη και την παθολογία. Η ύπαρξη επαγγελματικών σχέσεων δεν αποδεικνύει πλημμέλεια, καθιστά όμως ακόμη σημαντικότερη την ανεξάρτητη επαλήθευση.
Ένα πολλά υποσχόμενο βοήθημα — όχι απόδειξη ενοχής
Η μελέτη δεν αποδεικνύει ότι η τεχνητή νοημοσύνη μπορεί να αντικαταστήσει τον ιατροδικαστή. Αποδεικνύει κάτι πιο περιορισμένο αλλά χρήσιμο: ότι ένας αλγόριθμος μπορεί, υπό συγκεκριμένες συνθήκες, να ταξινομεί αρκετά αποτελεσματικά φωτογραφίες πυροβολικών τραυμάτων.
Ταυτόχρονα, τα ίδια τα αποτελέσματα προειδοποιούν ότι η μέση ακρίβεια μπορεί να αποκρύπτει σοβαρές αποτυχίες στις άτυπες και αμφίβολες περιπτώσεις. Και ακριβώς αυτές είναι συνήθως οι υποθέσεις στις οποίες η Δικαιοσύνη χρειάζεται την περισσότερο προσεκτική, ανεξάρτητη και αιτιολογημένη πραγματογνωμοσύνη.
Η τεχνητή νοημοσύνη μπορεί να λειτουργήσει ως δεύτερο ζεύγος «ματιών». Δεν διαθέτει, όμως, σώμα για να εξετάσει, τραύμα για να διερευνήσει, σκηνή εγκλήματος για να ανασυνθέσει ή επιστημονική ευθύνη για να αναλάβει. Το πιθανότερο αποτέλεσμα δεν είναι πάντοτε η ιατροδικαστική αλήθεια — και πολύ περισσότερο δεν είναι από μόνο του δικαστική απόδειξη.
Πηγή: https://www.sciencedirect.com/science/article/pii/S215335392300175X?utm_source=chatgpt.com
