Machine-Learning-Guided Video Analysis Identifies Sound-Evoked Pain Behaviors from Facial Grimace and Body Cues in Mice

Deze studie introduceert een machine-learning-gestuurde videanalyse die gezichtsuitdrukkingen en lichaamsbewegingen van muizen gebruikt om geluid-geïnduceerde pijn objectief te kwantificeren en te valideren aan de hand van een migraine-model.

De kern

Titel: Hoe computers de pijn van muizen "lezen" via hun gezicht en houding

Stel je voor dat je een muizensoort hebt die pijn voelt als ze te hard geluid horen. Dat is een heel vervelend probleem, net als bij mensen met een extreme geluidsgevoeligheid (hyperacusis). Maar er is een groot probleem: muizen kunnen niet zeggen "Oei, dat klinkt te hard!" of "Mijn hoofd doet pijn". Ze kunnen niet praten.

Vroeger moesten onderzoekers urenlang naar video's van muizen staren om te zien of ze leken op een muizen die pijn had. Dat is niet alleen saai, maar ook subjectief. Iedereen ziet dingen anders.

In dit onderzoek hebben de wetenschappers een slimme oplossing bedacht: een computer die leert om pijn te zien, net zoals een mens dat doet, maar dan super snel en zonder vermoeidheid.

Hier is hoe het werkt, verteld in simpele taal:

1. De "Slimme Camera" (De AI)

Stel je voor dat je een camera hebt die niet alleen beelden opneemt, maar ook een virtueel skelet op de muizen tekent. Deze camera kijkt naar 13 specifieke punten op het gezicht van de muis (zoals de neus, de ogen, de oren en de mond) en 4 punten op het lichaam.

De computer is getraind met duizenden foto's. Hij heeft geleerd: "Als de oren plat tegen het hoofd liggen, als de ogen half dichtknijpen en als de muis zich kromtrekt als een oude mannetje, dan heeft die muis pijn."

Het is alsof je een detective hebt die elke seconde van een video bekijkt en zegt: "Aha! Die muis trekt een grimas!"

2. De Test: De "Migraine-Muis"

Om te bewijzen dat hun slimme camera echt pijn kan detecteren, gaven ze eerst een bekende pijn aan de muizen. Ze injecteerden een stofje (CGRP) dat bij muizen een migraine-achtige pijn veroorzaakt.

• Wat gebeurde er? De computer zag precies hetzelfde als de onderzoekers verwachtten. De muizen kregen een "migraine-gezicht": hun ogen knepen dicht, hun oren lagen plat en ze bewogen minder.
• Het resultaat: De computer kon niet alleen zeggen "ja, ze hebben pijn", maar ook hoe erg de pijn was. Ze konden zelfs twee niveaus van pijn onderscheiden: een lichte pijn en een hevige piek in pijn.

3. De Echte Test: Geluid als Pijnbron

Nu was het tijd voor het echte werk. Ze zetten de muizen bloot aan verschillende geluidsniveaus, van zacht gezoem tot heel hard lawaai (tot wel 120 decibel, net als een startende jet).

• Het ontdekking: Boven de 100 decibel begonnen de muizen precies dezelfde grimassen te trekken als bij de migraine. Ze hielden op met rennen, kropen in elkaar en trokken hun oren plat.
• De conclusie: Hard geluid doet echt pijn aan muizen, en de computer kon dit heel precies meten.

4. De "Doof-Muis" Test (Het bewijs)

Om zeker te weten dat het geluid via het oor de pijn veroorzaakte en niet bijvoorbeeld door trillingen in de lucht die ze voelden, gebruikten ze een speciale groep muizen. Deze muizen hebben een defect in hun binnenoor; ze kunnen geluid niet omzetten in signalen voor hun hersenen (ze zijn effectief doof voor mechanische geluiden).

• Wat gebeurde er? Toen deze "doof-muizen" hetzelfde harde geluid kregen, deden ze niets. Geen grimas, geen kromtrekken. Ze leken er niets van te merken.
• Wat betekent dit? Dit bewijst dat de pijn echt komt van het horen van het geluid in het binnenoor. Als het binnenoor niet werkt, is er geen pijn. Het is alsof je een radio hebt die kapot is: als je de knop harder draait, hoor je niets en krijg je ook geen hoofdpijn.

Waarom is dit zo belangrijk?

Vroeger was het moeilijk om te weten of muizen pijn hadden van geluid. Nu hebben we een automatische, eerlijke en snelle manier om dit te meten.

• Voor de wetenschap: Het helpt ons te begrijpen waarom sommige mensen (en muizen) pijn hebben van geluid dat voor anderen normaal is.
• Voor de toekomst: Dit systeem kan gebruikt worden om nieuwe medicijnen te testen. Als een pil de grimas van de muis doet verdwijnen, weten we dat het werkt!

Samengevat:
De onderzoekers hebben een digitale "pijndetective" gebouwd die naar muizen kijkt. Als een muis een hard geluid hoort en daar pijn van krijgt, verandert zijn gezicht en houding. De computer ziet die veranderingen, meet ze en zegt: "Deze muis heeft pijn." Dit helpt ons om de geheimen van geluidspijn te ontrafelen, zonder dat we hoeven te raden.

Technische samenvatting

Probleemstelling

Mensen kunnen pijn ervaren als reactie op geluid, hetzij door extreem luide geluiden (>120 dB SPL) of door pijnlijke hyperacusis (pijn bij normaal verdraagbare geluiden). De onderliggende mechanismen van geluid-geëvoceerde pijn zijn echter slecht begrepen. Een grote uitdaging in dit onderzoeksveld is het ontbreken van betrouwbare, objectieve methoden om pijn veroorzaakt door geluid te meten in diermodellen. Bestaande methoden zijn vaak beperkt tot reflexen (zoals de startle-reactie) of vereisen complexe setups met meerdere camera's om zowel gezichtsuitdrukkingen als houding te analyseren. Er is behoefte aan een hoogwaardige, niet-invasieve methode om "persistente pijn" (pijn die minuten aanhoudt) te kwantificeren in vrij bewegende muizen.

Methodologie

De auteurs hebben een geautomatiseerd, machine learning-gebaseerd raamwerk ontwikkeld om pijn te detecteren aan de hand van video-opnames van vrij bewegende muizen.

1. Data-acquisitie:

   • Muizen werden geplaatst in een transparante kamer binnen een akoestische kamer.
   • Een enkele camera (GoPro Hero 11) nam video's op in 4K-resolutie met 30 frames per seconde.
   • De opstelling gebruikte geurhokjes om de muizen te stimuleren om in profiel te blijven staan ten opzichte van de camera, wat cruciaal is voor gezichtsanalyse.

2. Deep Learning en Pose Estimation:

   • Er werd gebruik gemaakt van DeepLabCut (DLC), een deep neural network, om 13 specifieke landmarks op het gezicht en lichaam van de muis te markeren (o.a. oogleden, neuspunt, oren, nek).
   • Het model werd getraind op 816 handmatig gelabelde frames en vervolgens toegepast op duizenden video-frames.
   • Alleen markers met een waarschijnlijkheid (likelihood) > 0,95 werden gebruikt voor analyse.

3. Parametrisatie van Pijngedrag:

   • Gezichtsgrimas (Facial Grimace): Gebaseerd op de Mouse Grimace Scale, werden zes parameters berekend: Oorverhouding (Ear Ratio), Oorpositie (Ear Position), Oorpunt-titeling (Ear Tip Tilt), Oogverhouding (Eye Ratio), Neuspositie (Snout Position) en Mondpositie (Mouth Position).
   • Lichamelijke houding (Body Position): Vier parameters werden afgeleid uit dezelfde video's om beweging en houding te meten: Relatieve neuspuntpositie (exploratie), Percentage neuspunt in bovenste 1/3 van de kamer (staand/rear), Aantal kruisingen van een verticale lijn (draaiing) en Helling van het gezicht (hunching).

4. Validatie en Experimenten:

   • Validatiemodel: Pijn werd geïnduceerd door injectie met Calcitonin Gene-Related Peptide (CGRP) om migraine te simuleren. Dit diende als "ground truth" om de pijndrempels te definiëren.
   • Geluidsexperimenten: Muizen werden blootgesteld aan geluiden van 70 tot 120 dB SPL (2-20 kHz) in een geïnterleaved protocol (2 minuten geluid, 2 minuten stilte).
   • Genetische validatie: Er werd gebruik gemaakt van Tmie-knockout muizen (Tmie-/-), die geen functionele mechanotransductie in het binnenoor hebben, om te bepalen of cochleaire functie noodzakelijk is voor geluid-gevoelde pijn.

5. Data-analyse:

   • De individuele parameters werden omgezet in een percentage verandering ten opzichte van de baseline.
   • Er werden twee samengestelde scores berekend: een Facial Grimace Score en een Body Position Score.
   • Pijndrempels werden gedefinieerd op basis van de CGRP-data (Niveau 1: Non-Peak, Niveau 2: Peak pijn).

Belangrijkste Bijdragen

• Single-Camera Oplossing: De studie toont aan dat het mogelijk is om zowel complexe gezichtsuitdrukkingen als gedetailleerde houdingsveranderingen te analyseren met slechts één camera, wat de doorvoersnelheid en reproduceerbaarheid vergroot.
• Geïntegreerde Pijnscores: De ontwikkeling van gecombineerde scores die zowel affectieve (gezicht) als motorische (houding) pijnsignalen samenvoegen, biedt een robuustere maatstaf dan individuele parameters.
• Definitie van Pijndrempels: De auteurs hebben kwantitatieve drempels vastgesteld voor geluid-gevoelde pijn door ze te vergelijken met een bekende pijnmodel (migraine).
• Mechanistisch Inzicht: Door het gebruik van Tmie-/- muizen wordt voor het eerst experimenteel bewezen dat cochleaire mechanotransductie essentieel is voor het genereren van geluid-gevoelde pijn, wat suggereert dat pijn niet alleen ontstaat door mechanische spanning op het trommelvlies.

Resultaten

1. Validatie met CGRP:

   • Injectie met CGRP leidde tot significante veranderingen in zowel de Facial Grimace Score als de Body Position Score vergeleken met de baseline en zoutoplossing (saline).
   • De analyse onderscheidde duidelijk een "Peak" periode (27-32 minuten post-injectie) van een "Non-Peak" periode, wat twee niveaus van pijndrempel mogelijk maakte.

2. Geluid-gevoelde Pijn:

   • Blootstelling aan geluiden boven 100 dB SPL veroorzaakte significante veranderingen in de pijnscores, vergelijkbaar met de veranderingen gezien bij migraine.
   • Bij 110 dB en 120 dB waren de scores significant lager dan de baseline en overschreden ze de pijndrempel (Niveau 1 en soms Niveau 2).
   • Na blootstelling aan 120 dB bleven sommige gedragsveranderingen (vooral houding) ook tijdens de stilte-periode bestaan, wat wijst op langdurige pijn of stress.

3. Rol van het Binnenoor:

   • TmieCTL muizen (controles met normaal gehoor) vertoonden dezelfde pijngedragingen bij hoge geluidsniveaus als wilde-type muizen.
   • Tmie-/- muizen (zonder functionele mechanotransductie) vertoonden geen significante veranderingen in de pijnscores bij blootstelling aan geluid, zelfs niet bij 120 dB.
   • Dit bewijst dat de pijnreactie afhankelijk is van de transductie van geluid in het binnenoor en niet louter van mechanische druk op het middenoor.

Significantie

Deze studie biedt een cruciale doorbraak in het onderzoek naar geluid-gevoelde pijn en hyperacusis:

• Nieuw Diermodel: Het biedt een objectief, hoogwaardig model om pijnlijke hyperacusis te bestuderen, een aandoening die tot nu toe moeilijk te modelleren was in dieren.
• Mechanisme: Het bevestigt dat geluid-gevoelde pijn een centraal proces is dat afhankelijk is van een intact cochleair signaal, wat de weg vrijmaakt voor onderzoek naar centrale verwerking en therapeutische doelwitten.
• Toekomstige Toepassingen: Het raamwerk kan worden toegepast op andere vormen van persistente pijn en kan helpen bij het testen van pijnstillers of behandelingen voor gehoorgerelateerde pijnstoornissen.
• Methodologische Standaard: De combinatie van deep learning, single-camera setup en gecombineerde gedragsmaten stelt een nieuwe standaard voor voor het kwantificeren van affectieve pijn in de neurowetenschappen.