Automatic pain face analysis in mice: Applied to a varied dataset with non-standardized conditions

该研究通过引入包含五个子集的大规模多样化数据集，训练并验证了一个深度学习模型，该模型在非标准化条件下预测小鼠疼痛表情评分（MGS）的准确性甚至超过了人类评分者，证明了利用多源数据联合训练是提升模型在复杂真实场景下泛化能力的最佳策略。

要点

这篇论文讲述了一个关于**“教电脑读懂老鼠表情”**的有趣故事。

想象一下，你养了一只仓鼠，它生病了或者很疼，但它不会说话，也不会哭喊。作为主人，你只能通过观察它的脸来判断它是否难受。科学家们在实验室里也面临同样的问题：如何知道成千上万只实验小鼠是否痛苦？

1. 核心挑战：老鼠的“微表情”太难猜了

以前，科学家靠人眼盯着看，用一种叫“小鼠痛苦量表”（MGS）的工具来打分。这就像给老鼠的脸部表情打分：

• 眼睛眯起来没？（像挤眉弄眼）
• 鼻子鼓起来没？
• 耳朵位置变了吗？
• 胡须直了吗？

但这有个大问题：

1. 太累了：人不能 24 小时盯着看。
2. 太主观：不同的人看，打分可能不一样。
3. 太干扰：一旦人出现在笼子边，老鼠会紧张，把痛苦的表情“藏”起来，就像你在陌生人面前会假装坚强一样。

2. 科学家的新方案：给 AI 喂“杂食”

以前的电脑程序（AI）很笨，它们只能认识一种特定颜色、在特定灯光下、特定笼子里的老鼠。一旦换个环境，AI 就“瞎”了。

为了解决这个问题，作者们搞了一个超级大工程：

• 收集了 3.5 万张老鼠照片：这就像收集了 3.5 万张不同性格、不同背景、不同毛色（黑的、白的、棕的）老鼠的“自拍”。
• 来自 5 个不同的实验室：有的老鼠在柏林，有的在哈雷；有的笼子很乱，有的很干净；有的灯光很亮，有的很暗。
• 目的：他们想训练一个**“超级 AI"**，让它像经验丰富的老兽医一样，不管老鼠在哪、长什么样，都能一眼看出它疼不疼。

3. 训练过程：先学“认脸”，再学“看病”

他们用了深度学习（Deep Learning）技术，过程有点像教小孩：

1. 第一步（预习）：先让 AI 看很多普通图片，学会“这是老鼠的脸，不是背景”。
2. 第二步（分类）：让 AI 判断“这只老鼠看起来很痛苦"还是"很快乐"。
3. 第三步（精修）：最后让 AI 给痛苦程度打分（0 到 2 分）。

4. 结果：AI 比人更靠谱？

• 成绩惊人：当 AI 在混合了所有不同环境的数据上训练后，它的打分误差非常小（0.26 分）。
• 超越人类：有趣的是，AI 的打分比人类专家之间的互相打分还要一致。人类专家看同一张图，可能一个打 1 分，一个打 1.5 分；但 AI 能稳定地给出一个接近“平均真理”的分数。
• 相关性高：AI 的打分和人类专家的平均打分高度吻合（相关系数 0.85），说明它真的“懂”了老鼠的痛苦。

5. 遇到的困难与启示

• 跨环境测试：如果把在“实验室 A"训练的 AI，直接扔到“实验室 B"去用，它的表现会下降。这就像你让一个只在北京学过开车的人，突然去开沙漠里的越野车，肯定会手忙脚乱。
• 解决方案：最好的办法是**“博采众长”**。把来自不同实验室、不同老鼠品种的数据混在一起训练，AI 就能学会忽略那些无关的干扰（比如笼子的颜色、背景的杂物），只关注老鼠真正的“痛苦表情”。
• 关于“眯眼”：研究发现，虽然“眯眼”（Orbital Tightening）是最容易判断的特征，但只盯着“眯眼”看反而不如看全脸。因为痛苦是整体的，只看局部容易误判。

6. 总结：这对我们意味着什么？

这项研究就像给实验室装上了**“全天候的隐形守护者”**。

• 对老鼠好：以后不需要人把老鼠抓出来拍照，AI 可以在老鼠的家里（笼子里）24 小时监控。如果老鼠疼了，AI 会立刻报警，让人类及时给它止痛药。
• 对科学好：消除了人为干扰，数据更真实，实验结果更可靠。
• 未来展望：虽然现在的 AI 还需要一点点“微调”（用少量新数据重新训练一下）才能完美适应新环境，但它已经迈出了巨大的一步。

一句话总结：
科学家们收集了海量“杂牌”老鼠照片，训练出了一个不知疲倦、眼光毒辣、比人类更客观的"AI 兽医”，它能 24 小时在老鼠家里默默观察，确保每一只实验小鼠都不再默默忍受痛苦。

技术摘要

这是一份关于《应用于非标准化条件的多样化数据集的自动小鼠疼痛面部分析》（Automatic pain face analysis in mice: Applied to a varied dataset with non-standardized conditions）的论文详细技术总结。

1. 研究背景与问题 (Problem)

• 核心痛点：在生物医学研究中，评估实验动物（特别是小鼠）的疼痛、痛苦和痛苦状态对于伦理合规和科学数据的准确性至关重要。目前主要依赖小鼠痛苦表情量表 (Mouse Grimace Scale, MGS)，该量表通过评估五个面部动作单元（眶部收紧、鼻子隆起、脸颊隆起、耳朵位置、胡须变化）来评分（0-2 分）。
• 现有局限：
  • 人工评估的缺陷：传统 MGS 评估依赖人工，耗时且受观察者主观性影响。此外，人工观察通常需要将小鼠从笼中取出，这会引发应激反应，掩盖疼痛迹象。
  • 自动化技术的瓶颈：现有的自动化工具（如 DeepMGS, PainFace, GrimACE）大多需要在标准化的笼边记录设置下运行，且通常针对特定品系（如黑毛或白毛）和特定光照条件。
  • 泛化能力差：由于小鼠毛色多样、饲养环境（笼子尺寸、垫料、丰容物品）和光照条件差异巨大，现有的计算机视觉模型难以在非标准化条件（如家庭笼舍环境）下跨品系、跨实验室可靠地工作。
• 研究目标：开发一种能够适应多样化、非标准化条件的自动 MGS 评估系统，实现无需人工干预的 24 小时家庭笼舍监测。

2. 方法论 (Methodology)

A. 数据集构建 (Dataset)

研究构建了一个大规模、多样化的数据集，包含约 35,000 张 小鼠面部图像，分为五个子集（Subsets），涵盖了不同的变量：

• 多样性：包含 5 种不同的小鼠品系（C57BL/6N, BALB/c, C57BL/6J, NMRI, DBA/1），毛色涵盖白色、黑色和稀释棕色。
• 实验条件：来自 5 个不同的实验室，涉及不同的实验处理（如手术、麻醉、药物注射、LPS 诱导炎症等）。
• 采集设备：使用了不同的相机（Basler, Canon, Sony, Nikon）和记录设置（视频 vs 静态照片，红外 vs RGB，不同尺寸的观察箱）。
• 标注：所有图像均经过人工标注 MGS 评分（0-2 分），并计算了平均 MGS 值。

B. 数据预处理

• 帧选择与人脸检测：对于视频数据（子集 AW, JW），使用基于 DeepLabCut (DLC) 训练的自定义人脸检测器（检测眼睛、耳朵、鼻子），根据特征检测置信度筛选最佳帧，并去除模糊帧。
• 图像转换：所有图像统一转换为灰度图进行训练，以减少光照和颜色差异的影响。
• 标签定义：
  • MGS 回归标签：计算五个面部动作单元的平均分（0-2 之间的浮点数）。
  • 损伤标签 (Pretext Task)：基于时间点的 MGS 中位数和百分位数，将图像二分类为“痛苦受损”或“未受损”，用于预训练任务。

C. 模型架构与训练策略

• 骨干网络：采用 ResNet-50 作为基础模型。
• 迁移学习 (Transfer Learning)：采用多阶段训练策略以解决数据量相对较小和领域差异问题：
  1. 预训练：使用 ImageNet-21k 数据集进行通用对象识别预训练。
  2. 预文本任务 (Pretext Task)：在“痛苦受损”vs“未受损”的二分类任务上进行微调，学习疼痛相关的特征表示。
  3. 主任务 (Main Task)：将输出层替换为回归头（Regression Head），预测连续的 MGS 平均分（0-2）。
• 数据增强：使用 RandAugment 进行随机图像增强，提高模型的鲁棒性。

3. 关键贡献 (Key Contributions)

1. 大规模多样化数据集：公开了包含 35,000 张图像、5 个子集、涵盖多种品系和实验条件的 MGS 数据集，填补了非标准化条件下训练数据的空白。
2. 高性能自动评分模型：训练了一个深度神经网络，能够在非标准化条件下预测平均 MGS 分数。
3. 跨域泛化评估：系统性地评估了模型在不同子集（不同品系、实验室、设置）之间的迁移能力，揭示了当前技术的局限性及改进方向。
4. 开源与基准：提供了模型代码和基准测试结果，旨在推动自动化 MGS 评估在家庭笼舍环境中的应用。

4. 实验结果 (Results)

• 整体性能：
  • 当模型在所有子集合并训练并在独立测试集上评估时，均方根误差 (RMSE) 为 0.26。
  • 该误差小于人类评分者之间的平均误差（Inter-rater RMSE 约为 0.28-0.39），表明模型表现优于或等同于平均人类专家。
  • 模型输出与人类评分的皮尔逊相关系数 (Pearson's r) 高达 0.85。
• 跨数据集评估 (Cross-dataset Evaluation)：
  • 当模型在一个子集训练并在另一个完全不同的子集测试时，RMSE 显著增加（通常在 0.33 - 0.63 之间），相关性下降。
  • 最佳泛化策略：使用所有子集合并训练的模型在跨数据集测试中表现最稳健。
  • 细粒度分析：仅使用“眶部收紧” (Orbital Tightening, OT) 这一最可靠特征进行训练，并未提升整体性能，反而在某些情况下导致更高的 RMSE，尽管相关性略有提升。这表明综合所有面部特征对于鲁棒性至关重要。
• 子集差异：
  • 在训练和测试数据分布相似（如 LW 子集，主要包含低分图像）时，RMSE 较低（0.16），但这可能源于“低分偏差”（Low-score bias），即模型只需预测接近均值的低分即可获得低误差。
  • 包含更广泛 MGS 分布的子集（如 KH, MR）训练出的模型在跨域测试中表现更好。

5. 意义与结论 (Significance & Conclusion)

• 技术突破：该研究证明了通过构建大规模多样化数据集和采用迁移学习策略，计算机视觉模型可以在非标准化条件下（如家庭笼舍、不同品系、不同光照）可靠地评估小鼠疼痛。
• 伦理与科学价值：
  • 实现了24 小时连续监测，能够捕捉夜间活动期的疼痛迹象，避免了人工观察带来的应激干扰。
  • 提供了比人工更客观、数据驱动的评估工具，有助于早期发现动物痛苦，改善动物福利。
• 未来方向：
  • 虽然合并训练模型表现最佳，但在面对全新数据集时，使用少量人工标注数据进行微调 (Fine-tuning) 可进一步提升性能。
  • 该数据集和模型为未来开发完全自动化的家庭笼舍监测系统奠定了基础。

总结：这篇论文通过整合多源异构数据，成功训练出了一个在复杂多变环境下表现优于人类平均水平的自动小鼠疼痛识别模型，解决了当前自动化评估工具缺乏泛化能力的难题，为实验室动物福利的智能化监测提供了强有力的技术支撑。