L’identificazione delle impronte digitali è uno strumento fondamentale nelle indagini penali da oltre un secolo. Le forze dell’ordine di tutto il mondo hanno sempre operato nella convinzione che non esistano due impronte digitali uguali, nemmeno tra le dieci dita di una stessa persona. Questo principio ha plasmato il modo in cui vengono raccolte le prove, identificati i sospettati e valutati i colpevoli in tribunale. Un nuovo studio pubblicato su Science Advances presenta prove che potrebbero mettere in discussione questo assunto fondamentale.

Utilizzando tecniche di deep learning, i ricercatori hanno scoperto che le impronte digitali di dita diverse della stessa persona presentano somiglianze coerenti e misurabili. Queste somiglianze non sono visibili attraverso i metodi forensi tradizionali, ma sono rilevabili attraverso sistemi avanzati di intelligenza artificiale.

Lo studio, condotto da scienziati della Facoltà di Ingegneria della Columbia University e dell’Università  di Buffalo, ha coinvolto oltre 60.000 immagini di impronte digitali, mentre il sistema di intelligenza artificiale utilizzato è stato addestrato ad analizzare coppie di impronte digitali per determinare se provenissero dalla stessa persona, anche se prese da dita diverse. I risultati suggeriscono che alcuni schemi visivi potrebbero essere condivisi tra le impronte di un individuo, cosa che gli attuali sistemi di abbinamento non sono progettati per rilevare.

Il team di ricerca ha sviluppato un sistema di intelligenza artificiale basato su una rete neurale, addestrata con una tecnica chiamata apprendimento contrastivo. In pratica, il modello impara a distinguere se due immagini di impronte digitali sono simili o diverse, confrontandole a coppie.

A differenza dei metodi tradizionali, che si concentrano sulle cosiddette minuzie (come biforcazioni o interruzioni delle creste), questo nuovo approccio guarda soprattutto alle caratteristiche più generali dell’impronta, come l’orientamento e la curvatura delle creste. Sono proprio questi elementi strutturali su larga scala ad aver fornito le informazioni più utili al sistema.

Il modello ha raggiunto un’accuratezza del 77% nel riconoscere che due impronte provenienti da dita diverse appartenevano alla stessa persona. Quando però sono stati combinati più campioni di impronte, le prestazioni sono migliorate notevolmente, arrivando a livelli di confidenza superiori al 99,99% nel distinguere le impronte della stessa persona da quelle di individui diversi.

Per addestrare e testare il sistema, i ricercatori hanno utilizzato impronte digitali provenienti da quattro grandi database, tra cui i noti dataset NIST SD302 e SD300 e l’UB RidgeBase dell’Università di Buffalo. Per evitare risultati falsati, hanno controllato attentamente fattori come il tipo di sensore, la luminosità delle immagini e le condizioni di acquisizione. L’analisi ha mostrato che l’orientamento delle creste nella zona centrale dell’impronta è particolarmente importante per stabilire le corrispondenze, mentre le minuzie, considerate a lungo fondamentali, hanno avuto un ruolo più limitato.

Lo studio evidenzia anche importanti applicazioni in ambito investigativo. In particolare, il sistema potrebbe aiutare a generare piste di indagine quando si trovano impronte parziali in diverse scene del crimine. In una simulazione, l’uso dell’intelligenza artificiale ha ridotto di oltre il 90% il numero dei sospettati rispetto ai metodi tradizionali. Per esempio, partendo da 1.000 sospettati per due scene del crimine diverse, invece di confrontare tutte le dita di ogni individuo, il sistema ha ristretto la ricerca a meno di 40 candidati ad alta probabilità.

Questa capacità di collegare impronte diverse della stessa persona apre nuove possibilità, soprattutto quando le impronte sono incomplete o di bassa qualità. I sistemi classici funzionano meglio quando si sa già quale dito confrontare; il nuovo modello, invece, riesce a individuare caratteristiche comuni che restano simili anche tra dita diverse.

Per verificare l’affidabilità del sistema, il team lo ha testato su gruppi demografici differenti, analizzando i risultati in base a genere ed etnia. L’accuratezza è risultata stabile tra i vari gruppi, anche se leggermente migliore quando addestramento e test avvenivano sullo stesso sottoinsieme demografico. Questo sottolinea l’importanza di utilizzare dataset ampi e rappresentativi prima di un impiego reale in ambito forense.

Infine, per evitare possibili distorsioni, i ricercatori hanno separato rigorosamente i dati di addestramento da quelli di test e utilizzato impronte raccolte in sessioni e con sensori diversi. In ulteriori esperimenti, il modello è stato inizialmente addestrato su PrintsGAN della MSU, un grande dataset di impronte digitali sintetiche con oltre 500.000 immagini. Questo pre-addestramento ha migliorato la capacità del sistema di riconoscere le caratteristiche delle impronte, prima del perfezionamento sui dati reali.

Lo studio è pubblicato su ScienceAdvences