Development and internal validation of single-image pain detection from automated facial coding
Deze studie toont aan dat klinisch betekenisvolle pijndetectie haalbaar is vanuit enkelvoudige gezichtsfoto's met behulp van automatische gezichtscodering, waarbij een redelijke tot goede discriminatie-accuratesse (AUC tot 0,77) wordt bereikt over een geharmoniseerde dataset van 212 deelnemers door asymmetrische gezichtsspieractivaties te identificeren als belangrijke voorspellers.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Pijn is een privéervaring, een signaal dat van het lichaam naar de geest reist, maar het blijft een van de moeilijkste dingen voor een arts om te meten. In een ziekenhuis of kliniek is de standaardmanier om te begrijpen hoeveel pijn een patiënt heeft, door het aan hen te vragen. Ze kunnen naar een getal op een schaal wijzen of een scherpe, doffe of brandende sensatie beschrijven. Maar deze methode schiet tekort wanneer een patiënt niet kan spreken, bijvoorbeeld omdat ze te jong, te verward of te gesedeerd zijn om te antwoorden. Op die momenten moeten medisch personeel vertrouwen op observatie, door te kijken naar de universele taal van het gezicht. Decennialang hebben wetenschappers geweten dat wanneer mensen pijn hebben, hun gezichtsspieren specifieke, herkenbare patronen vertonen. Deze bewegingen zijn niet willekeurig; het zijn de motorische reacties van het lichaam op lijden, die een gestructureerde code vormen die door een getraind oog gelezen kan worden. De vraag is lang geweest of een computer deze code net zo goed zou kunnen leren lezen als een mens, en of dat ook zou kunnen op basis van één enkele foto, in plaats van een lange video-opname te vereisen.
Een team van onderzoekers aan de Universiteit van Virginia ging deze vraag beantwoorden door een computer te leren pijn te herkennen in één enkele foto. Ze vertrouwden niet op één enkele groep mensen of één type experiment. In plaats daarvan combineerden ze gegevens uit drie verschillende wetenschappelijke studies, waarbij ze honderden vrijwilligers samenbrachten die waren blootgesteld aan verschillende soorten pijn, zoals hitte, druk of elektrische schokken. Voor elk persoon in de studie namen de onderzoekers twee foto's: één van hun gezicht wanneer ze ontspannen en neutraal waren, en een andere genomen op het moment dat ze pijn voelden. Vervolgens gebruikten ze gespecialiseerde software om elke afbeelding af te breken in kleine, meetbare bewegingen van de gezichtsspieren. De software identificeerde specifieke actie-eenheden, zoals het laten zakken van een wenkbrauw, het optrekken van een wang of het aanspannen van de huid rond de ogen. Door deze spierbewegingen in een computerprogramma in te voeren, trainden de onderzoekers het systeem om het verschil te onderscheiden tussen een gezicht in rust en een gezicht in pijn.
De resultaten toonden aan dat de computer inderdaad het verschil kon zien, hoewel niet met absolute zekerheid. Over de verschillende modellen die ze testten, was het systeem in staat om pijn correct te identificeren in een redelijke tot goede reeks gevallen. Het best presterende model, een type kunstmatige intelligentie dat nabootst hoe neuronen in de hersenen verbinding maken, bereikte een AUC van 0,77 bij het onderscheiden van een pijnlijk gezicht van een neutraal gezicht. Dit niveau van nauwkeurigheid is significant omdat het werd bereikt met slechts één afbeelding per persoon, een beperking die de realiteit weerspiegelt van een druk ziekenhuis waar een arts misschien slechts een moment heeft om naar een patiënt te kijken. De studie onthulde ook iets onverwachts over hoe pijn op een gezicht verschijnt. Terwijl eerder onderzoek zich richtte op hoe sterk een spierbeweging was, vond deze studie dat de balans van beweging tussen de linker- en rechterkant van het gezicht er net zo toe deed. De computer leerde dat pijn vaak een asymmetrie veroorzaakt, waarbij één kant van het gezicht anders reageert dan de andere, met name rond de wenkbrauwen, ogen en wangen. Deze ongelijke reactie was een consistente aanwijzing die het systeem hielp om pijn te identificeren, wat suggereert dat de manier waarop pijn het gezicht vervormt even belangrijk is als de intensiteit van de expressie.
De onderzoekers waren zorgvuldig in het ontwerpen van hun studie om de beperkingen van de echte wereld te weerspiegelen. Ze gebruikten niet duizenden afbeeldingen per persoon, wat de taak makkelijker maar minder nuttig zou maken in een klinische setting. In plaats daarvan dwongen ze de computer om te leren van een enkele snapshot, om ervoor te zorgen dat het hulpmiddel dat ze bouwden in een praktische omgeving kon werken. Ze testten het systeem ook op zowel mannen als vrouwen en vonden dat het redelijk goed werkte voor beide groepen, hoewel het vertrouwen van de computer in zijn voorspellingen licht varieerde tussen de geslachten. De studie suggereert dat hoewel de technologie nog niet klaar is om de oordeelsvorming van een arts of de eigen rapportage van een patiënt te vervangen, het als een waardevolle assistent kan dienen. In situaties waarin een patiënt niet kan spreken, kan een hulpmiddel dat een enkele foto analyseert een objectief tweede oordeel geven, waardoor medisch personeel wordt gewaarschuwd voor potentieel lijden dat anders mogelijk onopgemerkt zou blijven. Het werk beweert niet het probleem van pijnmeting te hebben opgelost, maar het demonstreert dat de informatie die nodig is om pijn te detecteren aanwezig is in een enkele afbeelding, wachtend om gelezen te worden door de juiste ogen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.