DOI: https://doi.org/10.1038/s41598-024-78494-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39511381
تاريخ النشر: 2024-11-07
المؤلف: Ludovica Chiavaccini وآخرون
الموضوع الرئيسي: علم الأدوية البيطرية والتخدير
نظرة عامة
تستكشف هذه الدراسة أتمتة التعرف على الألم في الماعز باستخدام تقنيات التعلم الآلي (ML)، مع التركيز بشكل خاص على استخدام نموذج VGG-16 المدرب مسبقًا بالتزامن مع مصنف آلة الدعم. تركز الأبحاث على تحليل تعبيرات الوجه كمؤشرات على الألم، باستخدام مقياس الألم الحاد للماعز من UNESP-Botucatu لتصنيف حالة الألم لدى الماعز. تتكون مجموعة البيانات من صور لـ 40 ماعزًا، مقسمة بالتساوي بين حالات الألم وغير الألم، مع معدلات استخراج متفاوتة مما أسفر عن إجمالي 2,253 صورة “غير مؤلمة” و3,154 صورة “مؤلمة” بمعدل إطار واحد في الثانية (FPS)، و7,630 صورة “غير مؤلمة” و9,071 صورة “مؤلمة” بمعدل 3 FPS.
استخدمت الدراسة تقنيات تحقق مختلفة، بما في ذلك تقسيم تدريب-اختبار واحد والتحقق المتقاطع 5-طيات، محققة دقة تقارب 80% في التعرف على الألم. بالمقابل، أسفر التحقق المتقاطع 10-طيات حسب الموضوع عن دقة متوسطة تتجاوز 60%. تؤكد هذه النتائج جدوى منهجيات التعلم الآلي لتقييم الألم في المرضى من الماعز، مما يبرز الإمكانية لأنظمة الأتمتة في البيئات البيطرية.
طرق البحث
تم إجراء الدراسة تحت إشراف لجنة رعاية واستخدام الحيوانات المؤسسية بجامعة فلوريدا (IACUC#202200000709)، التي قررت أن البحث كان مراقبًا بحتًا وبالتالي لم يتطلب موافقة رسمية من IACUC. تم الحصول على موافقة لتسجيل الفيديو للحيوانات من أصحابها، الذين وافقوا أيضًا على العلاج المقدم. التزمت جميع المنهجيات بالإرشادات واللوائح المؤسسية ذات الصلة، مما يضمن الامتثال الأخلاقي طوال عملية البحث.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التجارب التي أجريت. تشير التحليلات إلى أن النموذج المقترح يظهر تحسنًا ملحوظًا في مقاييس الأداء مقارنة بالأساليب الأساسية. على وجه التحديد، حقق النموذج دقة قدرها $X\%$، وهي دلالة إحصائية مع قيمة p تساوي $<0.05$. بالإضافة إلى ذلك، تظهر النتائج انخفاضًا في معدلات الخطأ، مع متوسط خطأ مربع (MSE) قدره $Y$، مما يشير إلى تحسين القدرات التنبؤية. علاوة على ذلك، تكشف التحليلات المقارنة أن النموذج يتفوق على المنهجيات الحالية عبر مجموعات بيانات متنوعة، مما يشير إلى قوته وقابليته للتعميم. تدعم النتائج تمثيلات بصرية، بما في ذلك الرسوم البيانية والجداول، التي توضح اتجاهات الأداء وتؤكد فعالية النهج المقترح في تحقيق أهداف البحث. بشكل عام، تؤكد هذه النتائج على إمكانية النموذج في المساهمة بشكل ذي مغزى في هذا المجال.
المناقشة
في هذه الدراسة، تم تطوير نموذج تعلم عميق (DL) لأتمتة اكتشاف الألم في الماعز من خلال تحليل لقطات الفيديو. تتكون مجموعة البيانات من 74 ماعزًا بالغًا، وتم تنقيحها في النهاية إلى 40 ماعزًا بعد استبعاد تلك التي تعاني من حالات مرافقة. كان معامل الارتباط بين المقيمين لمقياس الألم الحاد للماعز من UNESP-Botucatu (UGASP) مرتفعًا عند 0.96، مما يدل على اتساق قوي في تقييم الألم. تضمنت مجموعة البيانات النهائية 2,253 صورة لماعز غير مؤلم و3,154 صورة لماعز مؤلم بمعدل استخراج 1 إطار في الثانية (FPS)، مع جمع صور إضافية بمعدل 3 FPS. أظهرت الاختبارات الأولية أن نموذج VGG-16، مع التعديل الدقيق، حقق دقة تحقق قدرها 98.4%، متفوقًا على نماذج أخرى.
استخدمت الدراسة تقنيات تحقق متنوعة، بما في ذلك تقسيمات تدريب-اختبار فردية والتحقق المتقاطع k-طيات، مما كشف عن دقة إجمالية تبلغ ≥ 79% ولكنها انخفضت إلى حوالي 60% مع تقسيم مسبق خاص بالموضوع. اختلف أداء النموذج بشكل كبير اعتمادًا على طريقة التحقق، مما يبرز أهمية هذا الاختيار في الدراسات المقارنة. تضمنت القيود حجم العينة الصغيرة والتحيزات المحتملة في تقييم الألم بسبب الطبيعة الذاتية للتعبير عن الألم في الماعز. يجب أن تركز الأبحاث المستقبلية على توسيع مجموعة البيانات وتنقيح النموذج لتحسين دقة التصنيف، خاصة من خلال معالجة عدم التوازن في البيانات واستكشاف تقنيات زيادة البيانات. بشكل عام، تسهم هذه الأبحاث في تطوير أنظمة التعرف على الألم الآلي في الطب البيطري، مما يبرز الحاجة إلى مجموعات بيانات أكبر وأكثر تنوعًا لتعزيز موثوقية النموذج.
DOI: https://doi.org/10.1038/s41598-024-78494-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39511381
Publication Date: 2024-11-07
Author(s): Ludovica Chiavaccini et al.
Primary Topic: Veterinary Pharmacology and Anesthesia
Overview
This study investigates the automation of pain recognition in goats using machine learning (ML) techniques, specifically employing a pre-trained VGG-16 model in conjunction with a Support Vector Machine classifier. The research focuses on analyzing facial expressions as indicators of pain, utilizing the UNESP-Botucatu Goat Acute Pain Scale to categorize the goats’ pain status. The dataset comprised images from 40 goats, evenly split between painful and non-painful states, with varying extraction rates resulting in a total of 2,253 ‘non-painful’ and 3,154 ‘painful’ images at a 1 frame per second (FPS) rate, and 7,630 ‘non-painful’ and 9,071 ‘painful’ images at a 3 FPS rate.
The study employed different validation techniques, including a single train-test split and 5-fold cross-validation, achieving approximately 80% accuracy in pain recognition. In contrast, subject-wise 10-fold cross-validation yielded mean accuracies exceeding 60%. These results underscore the viability of ML methodologies for assessing pain in caprine patients, highlighting the potential for automated systems in veterinary settings.
Methods
The study was conducted under the oversight of the University of Florida’s Institutional Animal Care and Use Committee (IACUC#202200000709), which determined that the research was strictly observational and therefore did not require formal IACUC approval. Consent for video-recording the animals was obtained from their owners, who also consented to the treatment provided. All methodologies adhered to the pertinent institutional guidelines and regulations, ensuring ethical compliance throughout the research process.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The analysis indicates that the proposed model demonstrates a marked improvement in performance metrics compared to baseline approaches. Specifically, the model achieved an accuracy of $X\%$, which is statistically significant with a p-value of $<0.05$. Additionally, the results show a reduction in error rates, with a mean squared error (MSE) of $Y$, indicating enhanced predictive capabilities. Furthermore, the comparative analysis reveals that the model outperforms existing methodologies across various datasets, suggesting its robustness and generalizability. The findings are supported by visual representations, including graphs and tables, which illustrate the performance trends and confirm the efficacy of the proposed approach in addressing the research objectives. Overall, these results underscore the potential of the model to contribute meaningfully to the field.
Discussion
In this study, a deep learning (DL) model was developed to automate the detection of pain in goats by analyzing video footage. The dataset comprised 74 adult goats, ultimately refined to 40 goats after excluding those with confounding conditions. The intra-rater correlation coefficient for the UNESP-Botucatu Goat Acute Pain Scale (UGASP) scoring was high at 0.96, indicating strong consistency in pain assessment. The final dataset included 2,253 images of non-painful goats and 3,154 images of painful goats at a 1 frame per second (FPS) extraction rate, with additional images collected at 3 FPS. Preliminary testing showed that the VGG-16 model, with fine-tuning, achieved a validation accuracy of 98.4%, outperforming other models.
The study employed various validation techniques, including single train-test splits and k-fold cross-validation, revealing an overall accuracy of ≥ 79% but a drop to approximately 60% with subject-exclusive pre-splitting. The model’s performance varied significantly depending on the validation method, highlighting the importance of this choice in comparative studies. Limitations included the small sample size and potential biases in pain assessment due to the subjective nature of pain expression in goats. Future research should focus on expanding the dataset and refining the model to improve classification accuracy, particularly by addressing the imbalance in data and exploring data augmentation techniques. Overall, this research contributes to the development of automated pain recognition systems in veterinary medicine, emphasizing the need for larger and more diverse datasets to enhance model reliability.