Et forsknings projekt ved Københavns universitet har undersøgt, om kunstig intelligens (AI) kan anvendes til at identificere smerte hos heste – ud fra ansigtsudtryk alene. Resultaterne er lovende og peger på, at AI kan blive et værdifuldt værktøj til smertevurdering hos heste.  

Baggrund 

Smertevurdering hos heste er en vigtig, men kompleks opgave. Som byttedyr har hesten en tilbøjelighed til at skjule smerten, især i nærvær med mennesker ​(Dalla Costa et al., 2014)​. I praksis betyder det, at smertetegn kan blive overset eller fejltolket som adfærdsproblemer ​(Hamilton et al., 2022)​. Dette kan gå ud over hestevelfærden og muligvis føre til større mere komplekse skader på sigt.  

Et fransk studie viste, at personale fra 17 rideskoler vurderede, at kun 11,8 % af hestene fra studiet havde rygsmerter, hvorimod kliniske vurderinger fandt tegn på rygsmerter hos 49,7 % ​(Lesimple et al., 2013)​. Ligeledes viser et studie fra Storbritannien, at smertetegn hos heste ofte overses ​(Pollard & Dyson, 2020)​. Dette giver anledning til at tro, at problematikken med uopdaget smerte hos heste også udgør en udfordring i Danmark.  

 Tidligere studier har identificeret en række ansigtstræk, der indikerer smerte hos heste ​(Gleerup & Lindegaard, 2016)​. Betegnelsen for disse træk er Equine Pain Face (EPF) og anvendes i dag til klinisk vurdering af smerte. Dette kræver tid og træning af observatøren, hvorved der er opstået interesse for, om man med hjælp fra AI-modeller kan genkende disse smertetegn.  

Hvad er ”Equine Pain Face”?  

Equine Pain Face (EPF) er defineret af en række karakteristiske ansigtstræk, som forekommer under smerte hos heste ​(Gleerup & Lindegaard, 2016)​. De omfatter:  

• Et anspændt blik  

• Spændinger over øjet 

• Lavt stillede ører 

• Medio lateralt udvidede næsebor  

• Spændinger omkring mule og kæbemuskulatur.  

 Credit: Cristina Wilkins og Karina Bech Gleerup 

Læs også om hestens smerteadfærd her

Forsøget – metode 

I studiet er der blevet brugt videomateriale fra 11 heste før og efter en tandoperation for tandproblemer, der har medført kronisk smerte. Alle videoerne er blevet vurderet af dyrlæge og etolog Karina Bech Gleerup. De er blevet klassificeret som enten at have smerte eller ikke have smerte ud fra tilstedeværelsen af EPF. Karina Bech Gleerup var ikke oplyst om hvilke videoer, der var taget før og efter operationen.  

Videoerne blev efterfølgende omdannet til billedmateriale (1 billede/sek.), hvilket gav i alt 613 billeder, som udgjorde datasættet i studiet. Billeder hvor hestens ansigt ikke var synligt eller sløret, blev sorteret fra. Der blev foretaget dataforøgelse, hvor hvert billedet blev kopieret 24 gange. Hver kopi blev automatisk ændret tilfældigt i lysstyrke, kontrast, rotation og vandret orientering. Dette sikrer AI-modellerne i at opnå mere robuste egenskaber ​(Nanthini et al., 2023)​. 

Nedenfor ses eksempler på billeder brugt til træning af AI modellerne. Billederne er klassificeret som henholdsvis smerte (A), ingen smerte (B) og frasorteret (C). 

Forsøget tog udgangspunkt i syv AI-modeller, som alle er prætrænet på og kan genkende objekter inden for 1000 kategorier: 

• VGG16 

• Xception 

• DenseNet201 

• ResNet101V2 

• MobileNetV2 

• InceptionResNetV2 

• EfficientNetB7 

Disse modeller blev anvendt til at udtrække information fra billeddataene. Denne information blev derefter brugt som input til et sekundært fuldt forbundet neuralt netværk (FC-ANN), som blev trænet til at afgøre om hestene på billederne viste smerte eller ej.  

For at teste pålideligheden af modellerne, blev er anvendt krydsvalidering. Det betyder, at man gentagende gange træner modellerne på en del af datasættet og efterfølgende tester dem på en anden del af datasættet, som ikke er set af modellerne før. Dette sikre at de ikke blot lærer at genkende den specifikke hest på billedet, men i stedet lærer generelle mønstre i smerteudtryk.  

For at få et mere samlet billede af modellerne, blev resultaterne fra billederne aggregeret til et samlet resultat per video. På den måde kunne man se, om modellen vurderede, om en hest havde smerte ud fra hele videosekvensen og ikke kun ét billede.  

Til sidst blev modellernes præstation målt ved at se på, hvor præcise de var til at korrekt identificere heste med smerte og heste uden smerte.  

Flowchart over metoden beskrevet ovenfor, for én af AI modellerne. Her vist med eksempel for VGG16 

Resultater 

De syv AI-modeller blev testet på deres evne i at korrekt identificere om en hest har smerte eller ikke smerte, ud fra Karina Bech Gleerup vurdering. De bedste AI-modellerne opnåede alle en sensitivitet of specificitet på mellem 90-100%, hvoraf fire af modellerne ramte  100% rigtigt i alle tilfælde, som kan ses i Tabel 1 nedenfor. Sensitivitet måler andelen af heste med smerte, der korrekt bliver identificeret, mens specificitet måler andelen af heste uden smerte, der korrekt bliver identificeret.  

Tabel 1: de bedste sekundære modeller og deres tilhørende sensitivitet og specificitet. 

Resultatet viser, at modellerne er i stand til at identificerer EPF hos heste med høj nøjagtighed. Dette peger på, at kunstig intelligens har potentiale som et effektivt værktøj til at vurdere om heste viser tegn på smerte.  

Begrænsninger: 

Selvom resultaterne er lovende, er der stadig nogle begrænsninger ved studiet. Datasættet var relativt lille, og havde stor overvægt af én hesterace, nemlig islændere, hvilket reducerer variationen af datasættet. Derudover var alle hestene i alderen 16-25 år. Dette betyder, at resultaterne ikke nødvendigvis kan overføres direkte til alle andre hesteraser og yngre heste, hvor udtrykket i ansigtet kan variere meget. Der ligger derfor stadig et arbejde i at validere modellerne på et større og mere forskelligartet datasæt.   

Fremtiden – et redskab til hesteejere? 

Målet er at udvikle en brugervenlig app til hesteejere til at hjælpe med vurdering af smerte hos deres heste. Dette vil fungere som et supplement til faglig vurdering af smerte, og potentielt hjælpe til tidligere at opdage smerte og tilkalde dyrlægen.  

Selvom resultaterne er lovende, er der stadigvæk flere skridt på vejen, før AI kan anvendes i praksis som app. For at sikre validiteten af modellerne, skal de valideres og eventuelt optimeres på et endnu større og mere varieret datasæt med flere forskellige racer, pelsfarver, aldre, vinkler mm. Men hvis det lykkedes, kan AI bane vejen for bedre hestevelfærd og hurtigere smertevurdering. 

Litteraturliste:  

​​Dalla Costa, E., Minero, M., Lebelt, D., Stucke, D., Canali, E., & Leach, M. C. (2014). Development of the Horse Grimace Scale (HGS) as a pain assessment tool in horses undergoing routine castration. PLoS ONE, 9(3). https://doi.org/10.1371/journal.pone.0092281 

​Gleerup, K. B., & Lindegaard, C. (2016). Recognition and quantification of pain in horses: A tutorial review. Equine Veterinary Education, 28(1), 47–57. https://doi.org/10.1111/EVE.12383 

​Hamilton, K. L., Lancaster, B. E., & Hall, C. (2022). Equine conflict behaviors in dressage and their relationship to performance evaluation. Journal of Veterinary Behavior, 55–56, 48–57. https://doi.org/10.1016/J.JVEB.2022.07.011 

​Lesimple, C., Fureix, C., Biquand, V., & Hausberger, M. (2013). Comparison of clinical examinations of back disorders and humans’ evaluation of back pain in riding school horses. BMC Veterinary Research, 9(1), 1–9. https://doi.org/10.1186/1746-6148-9-209/TABLES/2 

​Nanthini, K., Sivabalaselvamani, D., Chitra, K., Gokul, P., KavinKumar, S., & Kishore, S. (2023). A Survey on Data Augmentation Techniques. International Conference Computing Methodologies and Communication, 913–920. https://doi.org/10.1109/ICCMC56507.2023.10084010 

​Pollard, D., & Dyson, S. (2020). Application of a Ridden Horse Pain Ethogram and Its Relationship with Gait in a Convenience Sample of 60 Riding Horses. Animals 2020, Vol. 10, Page 1044, 10(6), 1044. https://doi.org/10.3390/ANI10061044 

​ ​