Development and internal validation of single-image pain detection from automated facial coding
Diese Studie zeigt, dass die klinisch bedeutsame Schmerzerkennung aus einzelnen Gesichtsbildern mittels automatisierter Gesichtscodierung machbar ist, wobei eine faire bis gute Diskriminationsgenauigkeit (AUC bis zu 0,77) über einen harmonisierten Datensatz von 212 Teilnehmern hinweg durch die Identifizierung asymmetrischer Gesichtsmuskelaktivierungen als Schlüsselprädiktoren erreicht wurde.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Schmerz ist eine private Erfahrung, ein Signal, das vom Körper zum Geist wandert, und doch bleibt er eines der am schwierigsten zu messenden Phänomene für einen Arzt. In einem Krankenhaus oder einer Klinik besteht die Standardmethode, um zu verstehen, wie sehr ein Patient leidet, darin, ihn zu fragen. Er mag auf eine Zahl auf einer Skala deuten oder eine stechende, dumpfe oder brennende Empfindung beschreiben. Doch diese Methode versagt, wenn ein Patient nicht sprechen kann, vielleicht weil er zu jung, zu verwirrt oder zu stark sediert ist, um zu antworten. In diesen Momenten müssen sich das medizinische Personal auf die Beobachtung verlassen und nach der universellen Sprache des Gesichts Ausschau halten. Seit Jahrzehnten wissen Wissenschaftler, dass sich die Gesichtsmuskeln, wenn Menschen Schmerz empfinden, in spezifischen, erkennbaren Mustern bewegen. Diese Bewegungen sind nicht zufällig; sie sind die motorische Reaktion des Körpers auf das Leiden und bilden einen strukturierten Code, der von einem geschulten Auge gelesen werden kann. Die Frage war lange Zeit, ob ein Computer lernen könnte, diesen Code ebenso gut zu lesen wie ein Mensch und ob dies aus einer einzigen Momentaufnahme möglich wäre, statt eine lange Videoaufnahme zu benötigen.
Ein Forschungsteam der University of Virginia machte sich daran, diese Frage zu beantworten, indem es einen Computer darauf trainierte, Schmerz in einem einzigen Foto zu erkennen. Sie verließen sich nicht auf eine einzige Gruppe von Menschen oder eine einzige Art von Experiment. Stattdessen kombinierten sie Daten aus drei verschiedenen wissenschaftlichen Studien und führten hunderte Freiwillige zusammen, die verschiedenen Arten von Schmerz ausgesetzt waren, wie etwa Hitze, Druck oder elektrischen Schlägen. Für jede Person in der Studie machten die Forscher zwei Bilder: eines von ihrem Gesicht im entspannten und neutralen Zustand und ein weiteres, das in dem Moment aufgenommen wurde, als sie Schmerz empfanden. Anschließend nutzten sie spezialisierte Software, um jedes Bild in winzige, messbare Bewegungen der Gesichtsmuskeln zu zerlegen. Die Software identifizierte spezifische Aktions-Einheiten, wie das Senken einer Braue, das Anheben einer Wange oder das Zusammenziehen der Haut um die Augen. Durch die Einspeisung dieser Muskelbewegungen in ein Computerprogramm trainierten die Forscher das System darauf, zwischen einem schmerzfreien Gesicht und einem schmerzverzerrten Gesicht zu unterscheiden.
Die Ergebnisse zeigten, dass der Computer tatsächlich den Unterschied feststellen konnte, wenn auch nicht mit absoluter Gewissheit. Über die verschiedenen getesteten Modelle hinweg konnte das System Schmerz in einem moderaten bis guten Bereich der Fälle korrekt identifizieren. Das leistungsstärkste Modell, eine Art künstliche Intelligenz, die die Art und Weise nachahmt, wie Neuronen im Gehirn miteinander vernetzt sind, erreichte einen AUC-Wert von 0, 77 bei der Unterscheidung zwischen einem schmerzverzerrten und einem neutralen Gesicht. Diese Genauigkeit ist signifikant, da sie unter der Bedingung erreicht wurde, nur ein Bild pro Person zu verwenden – eine Einschränkung, die die Realität in einem geschäftigen Krankenhaus widerspiegelt, in dem ein Arzt vielleicht nur einen kurzen Moment Zeit hat, um einen Blick auf einen Patienten zu werfen. Die Studie enthüllte auch etwas Unerwartetes darüber, wie Schmerz im Gesicht aussieht. Während die bisherige Forschung darauf fokussiert war, wie stark eine Muskelbewegung war, fand diese Studie heraus, dass das Gleichgewicht der Bewegung zwischen der linken und der rechten Gesichtshälfte ebenso wichtig war. Der Computer lernte, dass Schmerz oft eine Asymmetrie verursacht, bei der die eine Gesichtshälfte anders reagiert als die andere, insbesondere im Bereich der Augenbrauen, Augen und Wangen. Diese ungleichmäßige Reaktion war ein konsistenter Hinweis, der dem System half, Schmerz zu identifizieren, was darauf hindeutet, dass die Art und Weise, wie Schmerz das Gesicht verzerrt, ebenso wichtig ist wie die Intensität des Ausdrucks.
Die Forscher waren sorgfältig darauf bedacht, ihre Studie so zu gestalten, dass sie reale Einschränkungen widerspiegelt. Sie verwendeten keine Tausenden von Bildern pro Person, was die Aufgabe einfacher, aber weniger nützlich im klinischen Umfeld gemacht hätte. Stattdessen zwangen sie den Computer, aus einer einzigen Momentaufnahme zu lernen, um sicherzustellen, dass das Werkzeug, das sie entwickelten, in einer praktischen Umgebung funktionieren kann. Sie testeten das System zudem sowohl an Männern als auch an Frauen und fanden heraus, dass es für beide Gruppen recht gut funktionierte, obwohl die Zuversicht des Computers bei seinen Vorhersagen zwischen den Geschlechtern leicht variierte. Die Studie legt nahe, dass die Technologie noch nicht bereit ist, die Urteilskraft eines Arztes oder den eigenen Bericht eines Patienten zu ersetzen, aber sie könnte als wertvoller Assistent dienen. In Situationen, in denen ein Patient nicht sprechen kann, könnte ein Werkzeug, das ein einzelnes Foto analysiert, eine objektive Zweitmeinung liefern und das medizinische Personal auf potenzielles Leiden aufmerksam machen, das sonst vielleicht unbemerkt geblieben wäre. Die Arbeit beansprucht nicht, das Problem der Schmerzmessung gelöst zu haben, aber sie demonstriert, dass die Informationen, die zur Erkennung von Schmerz benötigt werden, in einem einzigen Bild vorhanden sind und nur darauf warten, von den richtigen Augen gelesen zu werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.