Эти полностью автоматизированные модели глубокого обучения могут быть использованы для прогнозирования боли с использованием шкалы Feline Grimace Scale (FGS) с интеграцией смартфона.

Использование полностью автоматизированных моделей глубокого обучения для прогнозирования боли и интеграции смартфона с шкалой Feline Grimace Scale (FGS)

Возможности искусственного интеллекта (ИИ) шагают в каждую отрасль, будь то здравоохранение, финансы или образование. В области медицины и ветеринарии выявление боли является важным первым шагом в назначении правильного лечения. Определение этой боли особенно сложно у лиц, которые не могут передать свои ощущения, что требует использования альтернативных диагностических методов.

Традиционные методы включают использование систем оценки боли или отслеживание поведенческих реакций, которые имеют определенные недостатки, включая субъективность, недостаток достоверности, зависимость от навыков и обучения наблюдателя и неспособность адекватно представлять сложные эмоциональные и мотивационные аспекты боли. Внедрение технологии, особенно ИИ, может решить эти проблемы.

У нескольких видов животных есть выражение лица, которое может служить важными маркерами страдания. Были установлены шкалы гримасы, чтобы различать болевые и не болевые лица. Они работают путем назначения оценки определенным анимационным единицам лица (AUs). Однако, текущие техники использования шкал гримасы для оценки боли на статических изображениях или в реальном времени имеют несколько ограничений, такие как интенсивность труда и сильная зависимость от ручной оценки. Существующие исследования указывают на отсутствие полностью автоматизированных моделей, которые охватывают широкий спектр данных по животным и учитывают несколько естественно возникающих синдромов боли, а также окрас шерсти, породу, возраст и пол.

Для преодоления этих проблем команда исследователей представила Фелинскую шкалу гримасы (FGS) в последних исследованиях в качестве жизнеспособного и надежного инструмента для оценки острой боли у кошек. В этой шкале использованы пять анимационных единиц, каждая из которых получила оценку согласно наличию или отсутствию ее. Кумулятивная оценка FGS указывает на вероятность кошки испытывать дискомфорт и требовать помощи. FGS является гибким инструментом для оценки острой боли, который может использоваться в различных контекстах благодаря своей простоте использования и практичности.

FGS-оценки и точки на лице были обучены моделям XGBoost. Для оценки предсказательной производительности этих моделей XGBoost использовались средняя квадратичная ошибка (MSE) и метрики точности, которые играли важную роль в процессе выбора. В наборе данных исследования использовалось 3447 лицевых фотографий кошек, которые были тщательно аннотированы 37 анимационными единицами лица.

Команда сообщила, что при оценке ShuffleNetV2 стал лучшим вариантом для предсказания точек на лице, и наиболее успешная модель CNN показала нормализованную среднеквадратичную ошибку (NRMSE) в 16,76%. Лучшая модель XGBoost предсказывает оценки FGS с удивительной точностью 95,5% и минимальной среднеквадратичной ошибкой (MSE) 0,0096. Эти значения демонстрируют высокую точность в разграничении болевых и неболевых состояний у кошек. В заключение, данное технологическое развитие может использоваться для упрощения и улучшения процесса оценки боли у кошек, что может привести к более своевременной и эффективной терапии.