这些完全自动的深度学习模型可以通过智能手机集成用于使用猫面痛苦量表（FGS）进行疼痛预测
智能手机集成的自动深度学习模型- 使用猫面痛苦量表（FGS）进行疼痛预测
人工智能（AI）的能力正在涉足各个行业，无论是医疗保健、金融还是教育。在医学领域和兽医医学领域，识别疼痛是施行正确治疗的关键第一步。对于无法传达疼痛感的个体，这种识别尤为困难，这就需要使用其他诊断技术。
传统方法包括使用疼痛评估系统或追踪行为反应，但存在某些缺点，包括主观性、缺乏有效性、依赖观察者的技能和培训，以及无法充分代表疼痛的复杂情绪和动机维度。技术的整合，特别是AI，可以解决这些问题。
几种动物物种具有可以作为苦痛重要标志的面部表情。灵巧量表已经建立起来，以区分疼痛和非疼痛的人。它们通过为特定面部动作单位（AUs）分配得分来起作用。然而，目前的技术在使用灵巧量表对静态图像或实时疼痛评分方面存在一些限制，例如需要大量劳动力和依赖于手动评分。目前的研究指出还缺乏完全自动化的模型，能够覆盖广泛的动物数据集，并考虑到尽量多地自然发生的疼痛综合征，以及外观颜色、品种、年龄和性别。
为了克服这些挑战，一组研究人员在最近的研究中提出了“猫咪灵巧量表（FGS）”，作为评估猫咪急性疼痛的可行和可信的工具。此量表由五个动作单位组成，每个动作单位根据其是否存在而进行评分。累积的FGS分数表示猫可能是否感到不适并需要帮助。由于其易用性和实用性，FGS是一种灵活的评估急性疼痛的工具，可在各种环境中使用。
通过利用深度神经网络和机器学习模型，FGS分数和面部标志点进行了训练。卷积神经网络（CNN）被用来进行训练，以根据包括大小、预测时间、与智能手机技术的整合潜力以及根据标准化均方根误差（NRMSE）确定的预测性能进行所需的预测。同时产生了35个几何描述符，以提高可以分析的数据。
FGS分数和面部标记点被训练成XGBoost模型。均方误差（MSE）和准确性指标被用来评估这些XGBoost模型的预测性能，这在选择过程中起到了重要作用。在这项研究中使用的数据集包括3447张猫的面部照片，每张照片都经过耐心注释了37个标志点。
团队分享称，经过评估，ShuffleNetV2成为面部标记点预测的最佳选择，最成功的CNN模型表现出16.76％的标准化均方根误差（NRMSE）。表现最好的XGBoost模型以惊人的准确性95.5％和最小均方误差（MSE）0.0096来预测FGS分数。这些测量结果表明，在区分猫的疼痛和非疼痛状态方面具有很高的准确性。总之，这一技术发展可以用于简化和改进评估猫咪主体疼痛的过程，从而可能导致更及时和有效的治疗。
