Le 14 février, 1929, des hommes armés travaillant pour Al Capone se sont déguisés en policiers, entré dans l'entrepôt d'un gang concurrent, et abattu sept de leurs rivaux. Le massacre de la Saint-Valentin est célèbre non seulement dans les annales de l'histoire des gangs, mais aussi l'histoire de la médecine légale. Capone a nié toute implication, mais un des premiers médecins légistes du nom de Calvin Goddard a lié les balles de la scène du crime aux pistolets Tommy trouvés au domicile de l'un des hommes de Capone. Bien que l'affaire n'ait jamais été jugée et que l'implication de Capone n'ait jamais été prouvée devant un tribunal, la couverture médiatique a présenté à des millions de lecteurs Goddard et son étrange microscope.

Ce microscope avait un écran partagé qui permettait à Goddard de comparer des balles ou des douilles, les étuis métalliques qu'un pistolet éjecte après avoir tiré une balle, cote à cote. Si les marques sur les balles ou les douilles correspondent, cela indiquait qu'ils avaient été tirés avec la même arme à feu. Les examinateurs d'armes à feu utilisent encore aujourd'hui la même méthode, mais il a une limitation importante :après avoir comparé visuellement deux balles ou douilles, l'examinateur peut offrir un avis d'expert quant à savoir s'ils correspondent. Mais ils ne peuvent pas exprimer la force de la preuve numériquement, comme un expert en ADN peut le faire lorsqu'il témoigne sur des preuves génétiques.

Maintenant, une équipe de chercheurs du National Institute of Standards and Technology (NIST) a développé une approche statistique pour les comparaisons balistiques qui peut permettre un témoignage numérique. Alors que d'autres groupes de recherche travaillent également sur ce problème, les avantages de l'approche NIST incluent un faible taux d'erreur dans les tests initiaux et qu'il est relativement facile à expliquer à un jury. Les chercheurs ont décrit leur approche dans Sciences médico-légales internationales .

Lorsque l'on compare deux douilles, la méthode NIST produit un score numérique qui décrit à quel point ils sont similaires. Il estime également la probabilité que des effets aléatoires puissent provoquer une correspondance faussement positive, un concept similaire aux probabilités de correspondance pour les preuves ADN.

"Aucune méthode scientifique n'a un taux d'erreur nul, " dit John Song, un ingénieur en mécanique du NIST et l'auteur principal de l'étude. "Notre objectif est de donner à l'examinateur un moyen d'estimer la probabilité de ce type d'erreur afin que le jury puisse en tenir compte au moment de décider de la culpabilité ou de l'innocence."

La nouvelle approche cherche également à transformer l'identification des armes à feu d'une méthode subjective qui dépend de l'expérience et du jugement d'un examinateur à une méthode basée sur des mesures objectives. Un rapport historique de 2009 de la National Academy of Sciences et un rapport de 2016 du President's Council of Advisors on Science and Technology ont tous deux appelé à des recherches qui entraîneraient cette transformation.

La théorie derrière la balistique médico-légale

Quand un coup de feu est tiré, et la balle fait exploser le canon, il rencontre des crêtes et des rainures qui le font tourner, augmentant la précision du tir. Ces arêtes creusent dans le métal mou de la balle, laissant des stries. En même temps que la balle explose en avant, la douille explose vers l'arrière avec une force égale contre le mécanisme qui absorbe le recul, appelé la face de culasse. Cela imprime une impression de la face de culasse dans le métal mou à la base de la douille, qui est ensuite éjecté du pistolet.

La théorie derrière l'identification des armes à feu est que les stries microscopiques et les empreintes laissées sur les balles et les douilles sont uniques, reproductible, et donc, comme les « empreintes balistiques » qui peuvent être utilisées pour identifier une arme à feu. Si les enquêteurs récupèrent des balles ou des douilles sur une scène de crime, les médecins légistes peuvent tester le tir de l'arme d'un suspect pour voir si elle produit des empreintes balistiques qui correspondent aux preuves.

Mais les balles et les douilles tirées par des armes différentes peuvent avoir des marques similaires, surtout si les armes ont été fabriquées consécutivement. Cela soulève la possibilité d'une correspondance faussement positive, ce qui peut avoir des conséquences graves pour l'accusé.

Une approche statistique

En 2013, Song et ses collègues du NIST ont développé un algorithme qui compare les scans de surface tridimensionnels des empreintes de la culasse sur les douilles. Leur méthode, appelées cellules de correspondance congruentes, ou CMC, divise l'une des surfaces balayées en une grille de cellules, recherche ensuite les cellules correspondantes sur l'autre surface. Plus le nombre de cellules correspondantes est élevé, plus les deux surfaces sont similaires, et plus ils sont susceptibles de provenir du même pistolet.

Dans leur étude récente, les chercheurs ont scanné 135 douilles tirées de 21 pistolets différents de 9 millimètres. Cela a produit 433 paires d'images correspondantes et 4, 812 paires non correspondantes. Pour rendre le test encore plus difficile, la plupart des pistolets ont été fabriqués consécutivement.

The CMC algorithm classified all the pairs correctly. Par ailleurs, almost all the non-matching pairs had zero matching cells, with a handful having one or two due to random effects. All the matching pairs, d'autre part, had at least 18 matching cells. En d'autres termes, the matching and non-matching pairs fell into highly separated distributions based on the number of matching cells.

"That separation indicates that the probability of random effects causing a false positive match using the CMC method is very low, " said co-author and physicist Ted Vorburger.

A Better Way to Testify

Using well-established statistical methods, the authors built a model for estimating the likelihood that random effects would cause a false positive match. En utilisant cette méthode, a firearms expert would be able to testify about how closely the two cartridges match based on the number of matching cells, and also the probability of a random match, similar to the way forensic experts testify about DNA.

Although this study did not include enough test-fires to calculate realistic error rates for actual casework, the study has demonstrated the concept. "The next step is to scale up with much larger and more diverse datasets, " said Johannes Soons, a NIST mechanical engineer and co-author of the study.

With more diverse datasets, researchers will be able to create separate models for different types of guns and ammunition. That would make it possible to estimate random match rates for the various combinations that might be used in a crime.

Other groups of researchers are working on ways to express the strength of evidence numerically, not only for firearms but also fingerprints and other types of pattern evidence. Many of those efforts use machine learning and artificial intelligence-based algorithms to compare patterns in the evidence. But it can be difficult to explain how machine-learning algorithms work.

"The CMC method can be easily explained to a jury, " Song said. "It also appears to produce very low false positive error rates."