Las capacidades de la Inteligencia Artificial (IA) están llegando a todas las industrias, ya sea la atención médica, las finanzas o la educación. En el campo de la medicina y la veterinaria, identificar el dolor es un primer paso crucial para administrar los tratamientos adecuados. Esta identificación es especialmente difícil en individuos que no pueden transmitir su dolor, lo que exige el uso de técnicas de diagnóstico alternativas.
Los métodos convencionales incluyen el uso de sistemas de evaluación del dolor o el seguimiento de reacciones conductuales, que tienen ciertos inconvenientes, incluida la subjetividad, la falta de validez, la dependencia de la habilidad y el entrenamiento del observador y la incapacidad de representar adecuadamente las complejas dimensiones emocionales y motivacionales del dolor. La incorporación de tecnología, en particular la IA, puede abordar estos problemas.
Varias especies animales tienen expresiones faciales que pueden actuar como importantes marcadores de sufrimiento. Se han establecido escalas de muecas para distinguir entre personas dolorosas y aquellas que no lo son. Funcionan asignando una puntuación a unidades de acción facial (AU) particulares. Sin embargo, las técnicas actuales para utilizar escalas de muecas para calificar el dolor en imágenes fijas o en tiempo real tienen varias limitaciones, como ser laboriosas y depender en gran medida de la calificación manual. Los estudios actuales señalan una falta de modelos completamente automatizados que cubran una amplia gama de conjuntos de datos de animales y consideren varios síndromes de dolor que ocurren naturalmente además del color del pelaje, la raza, la edad y el sexo.
Para superar estos desafíos, un equipo de investigadores ha presentó la Feline Grimace Scale (FGS) en una investigación reciente como un instrumento viable y confiable para evaluar el dolor agudo de los gatos. Para conformar esta escala se han utilizado cinco unidades de acción, y cada una de ellas ha sido calificada según esté presente o no. La puntuación acumulada de FGS indica la probabilidad de que el gato experimente malestar y necesite ayuda. El FGS es un instrumento flexible para la evaluación del dolor agudo que puede usarse en una variedad de contextos debido a su facilidad de uso y practicidad.
El FGS se ha utilizado para predecir la ubicación de puntos de referencia faciales y puntuaciones de dolor mediante el uso de redes neuronales profundas y modelos de aprendizaje automático. Se han utilizado y entrenado redes neuronales convolucionales (CNN) para producir las predicciones requeridas en función de una serie de factores, incluido el tamaño, el tiempo de predicción, el potencial de integración con la tecnología de teléfonos inteligentes y el rendimiento predictivo determinado por el error cuadrático medio normalizado, o NRMSE. Se generaron en paralelo treinta y cinco descriptores geométricos para mejorar los datos que podían analizarse.
Las puntuaciones FGS y los puntos de referencia faciales se entrenaron en modelos XGBoost. Se utilizaron el error cuadrático medio (MSE) y las métricas de precisión para evaluar el rendimiento predictivo de estos modelos XGBoost, que desempeñaron un papel importante en el proceso de selección. El conjunto de datos utilizado en esta investigación incluyó 3447 fotografías faciales de gatos que habían sido minuciosamente anotadas con 37 puntos de referencia.
El equipo compartió que, tras la evaluación, ShuffleNetV2 surgió como la mejor opción para la predicción de puntos de referencia faciales, y el modelo CNN más exitoso muestra un error cuadrático medio normalizado (NRMSE) del 16,76%. El modelo XGBoost de alto rendimiento predijo puntuaciones FGS con una asombrosa precisión del 95,5% y un error cuadrático medio (MSE) mínimo de 0,0096. Estas mediciones demostraron una alta precisión para diferenciar entre estados dolorosos y no dolorosos en gatos. En conclusión, este desarrollo tecnológico se puede utilizar para simplificar y mejorar el proceso de evaluación del dolor de los sujetos felinos, lo que podría resultar en terapias más oportunas y efectivas.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 33k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
Tanya Malhotra es estudiante de último año de la Universidad de Estudios de Petróleo y Energía, Dehradun, y cursa BTech en Ingeniería Informática con especialización en Inteligencia Artificial y Aprendizaje Automático.
Es una entusiasta de la Ciencia de Datos con buen pensamiento analítico y crítico, junto con un ardiente interés en adquirir nuevas habilidades, liderar grupos y gestionar el trabajo de manera organizada.