Μια ερευνητική ομάδα με επικεφαλής τον Marcelo Feighelstein από το Πανεπιστήμιο Tel-Hai στο Ισραήλ ανέπτυξε ένα νέο σύστημα τεχνητής νοημοσύνης, το SHIC-XE, το οποίο μπορεί να ανιχνεύει σημάδια πόνου στα άλογα μέσα από την ανάλυση βίντεο, εξηγώντας παράλληλα στους ειδικούς γιατί καταλήγει στο συγκεκριμένο συμπέρασμα.
Η εξέλιξη αυτή θεωρείται σημαντική όχι μόνο για την ευζωία των ζώων, αλλά και για το μέλλον της κτηνιατρικής, αλλά και γενικότερα της ιατρικής καθώς αντιμετωπίζει ένα από τα μεγαλύτερα προβλήματα στη χρήση της τεχνητής νοημοσύνης σε πραγματικές συνθήκες, το λεγόμενο «μαύρο κουτί», δηλαδή την αδυναμία των ανθρώπων να γνωρίζουν με σαφήνεια τι ακριβώς οδήγησε ένα σύστημα σε μια συγκεκριμένη απόφαση.
Τα ζώα δεν μπορούν να πουν ότι πονάνε, ούτε να περιγράψουν την ένταση ή τη φύση του πόνου τους. Ακόμη και έμπειροι κτηνίατροι και φροντιστές μπορεί να δυσκολεύονται να αναγνωρίσουν έγκαιρα τα σημάδια δυσφορίας τους. Το SHIC-XE επιχειρεί να καλύψει αυτό το κενό, αναλύοντας εκφράσεις του προσώπου, τη στάση του σώματος και τα μοτίβα κίνησης των αλόγων.
ΔΙΑΒΑΣΤΕ ΕΠΙΣΗΣ
Η ερευνητική ομάδα έχει ασχοληθεί τα τελευταία χρόνια με την ανάπτυξη συστημάτων τεχνητής νοημοσύνης που αναγνωρίζουν πόνο και συναισθήματα σε διαφορετικά είδη ζώων, μεταξύ άλλων σε γάτες, σκύλους, κουνέλια, πρόβατα και βοοειδή.
Στόχος, όπως εξηγεί ο Feighelstein, είναι να δημιουργηθεί μια «γέφυρα» επικοινωνίας ανάμεσα στους ανθρώπους και τα ζώα, ώστε οι επαγγελματίες που τα φροντίζουν να μπορούν να κατανοούν καλύτερα την κατάσταση, τα συναισθήματα και τα βάσανά τους.
Το ιδιαίτερο χαρακτηριστικό του νέου συστήματος είναι ότι δεν περιορίζεται στο να διακρίνει αν ένα άλογο «πονάει» ή «δεν πονάει». Δείχνει και ποια σημεία του προσώπου επηρέασαν την απόφασή του. Αυτό είναι κρίσιμο, καθώς μια τεχνητή νοημοσύνη μπορεί να δίνει σωστές απαντήσεις για λάθος λόγους.
Ενθαρρυντικά ευρήματα
Οι ερευνητές σχεδίασαν το SHIC-XE έτσι ώστε το μοντέλο να προβάλλει την προσοχή του μοντέλου σε μια σταθερή τρισδιάστατη αναπαράσταση του προσώπου ενός αλόγου. Το αποτέλεσμα είναι μια συνεπής ανατομική εξήγηση, ακόμη και όταν το άλογο κινείται, αλλάζει τη θέση του κεφαλιού του ή βιντεοσκοπείται από διαφορετικές γωνίες.
Το σύστημα δοκιμάστηκε σε τρία ανεξάρτητα σύνολα δεδομένων, τα οποία αφορούσαν διαφορετικές μορφές πόνου σε άλογα, μετεγχειρητικό, φλεγμονώδη και ορθοπεδικό, καθώς και οξύ μηχανικό πόνο. Τα αποτελέσματα ήταν ενθαρρυντικά με βαθμολογίες F1 από 0,67 έως 0,80, γεγονός που δείχνει ότι το μοντέλο μπορεί να αναγνωρίζει τον πόνο με σημαντική ακρίβεια σε διαφορετικά κλινικά σενάρια.
Ακόμη πιο σημαντικό ήταν το γεγονός ότι τα σημεία στα οποία «εστίαζε» η τεχνητή νοημοσύνη παρουσίασαν στατιστικά σημαντική συμφωνία με τις αξιολογήσεις κτηνιάτρων.
Οι ειδικοί χρησιμοποίησαν ως σημείο αναφοράς την Horse Grimace Scale, μια τυποποιημένη μέθοδο αξιολόγησης του πόνου στα άλογα που βασίζεται κυρίως στις εκφράσεις του προσώπου. Μεταξύ των περιοχών που αναγνωρίστηκαν ως σημαντικές ήταν τα αυτιά και οι μύες των παρειών.
Η μελέτη, που δημοσιεύθηκε στο International Journal of Computer Vision, αποτελεί σύμφωνα με τους ερευνητές την πρώτη ποσοτική επικύρωση αυτού του είδους, καθώς δεν εξετάζει μόνο αν το μοντέλο καταλήγει στη σωστή διάγνωση, αλλά και αν βασίζεται στα ανατομικά σημεία που θεωρούν σημαντικά οι ειδικοί.
Η σημασία της τεχνολογίας, ωστόσο, δεν σταματά στα άλογα. Η δυνατότητα ενός συστήματος να αναλύει σταθερά και με τρόπο που μπορεί να ελεγχθεί από ειδικούς τι «βλέπει» σε ένα βίντεο θα μπορούσε να έχει εφαρμογές και στην ανθρώπινη υγεία.
Υπάρχουν ασθενείς που επίσης δεν μπορούν να επικοινωνήσουν αποτελεσματικά τον πόνο τους, όπως νεογνά, διασωληνωμένοι ή κατασταλμένοι ασθενείς σε μονάδες εντατικής θεραπείας, αλλά και άνθρωποι με άνοια.
Μελλοντικές εφαρμογές θα μπορούσαν ακόμη να αφορούν την παρακολούθηση νευρολογικών διαταραχών που επηρεάζουν την κίνηση, αλλά και την υποστήριξη κλινικών και χειρουργικών διαδικασιών μέσω ανάλυσης βίντεο.
