Development and internal validation of single-image pain detection from automated facial coding
本研究表明，通过自动化面部编码，利用单张面部图像进行具有临床意义的疼痛检测是可行的，通过识别不对称的面部肌肉激活这一关键预测因子，在由212名参与者组成的协调数据集上实现了良好至中等的判别准确率（AUC高达0.77）。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
疼痛是一种私密的体验，是信号从身体传向大脑的过程，然而它仍然是医生最难衡量的指标之一。在医院或诊所中，了解患者疼痛程度的标准方法是询问他们。他们可能会指向量表上的一个数字，或者描述一种尖锐、钝痛或灼热的感觉。但当患者无法言语时——也许是因为太年幼、太困惑，或是因药物镇静而无法回答——这种方法就会失效。在这些时刻，医护人员必须依赖观察，去寻找面部这一通用语言。几十年来，科学家们一直知道，当人们感到疼痛时，他们的面部肌肉会呈现出特定的、可识别的模式。这些动作并非随机，而是身体对痛苦的运动反应，构成了一套可以被受过训练的眼睛解读的结构化代码。长期以来的疑问在于，计算机是否能像人类一样读懂这段代码，以及它是否能仅凭一张照片，而非需要一段长视频，就做到这一点。
弗吉尼亚大学的一个研究小组致力于通过教计算机识别单张照片中的疼痛来回答这个问题。他们并没有依赖单一的研究群体或单一类型的实验。相反，他们整合了来自三项不同科学研究的数据，汇集了数百名曾暴露于各种类型疼痛（如热、压力或电击）下的志愿者。对于研究中的每一个人，研究人员都拍摄了两张照片：一张是他们在放松且中性状态下的面部，另一张是在感受到疼痛瞬间拍摄的。随后，他们使用专门的软件将每张图像分解为面部肌肉极其微小的、可测量的运动。该软件识别了特定的动作单元，例如眉毛下压、脸颊抬升或眼周皮肤紧缩。通过将这些肌肉运动输入计算机程序，研究人员训练该系统来区分放松的面部与疼痛的面部。
结果显示，计算机确实能够辨别差异，尽管并非百分之百确定。在他们测试的不同模型中，该系统能够在相当好的一定范围内正确识别疼痛。表现最好的模型是一种模仿大脑神经元连接方式的人工智能，在区分疼痛面部与中性面部时达到了0.77的AUC（曲线下面积）。这一准确度具有重要意义，因为它是仅使用每人一张照片实现的，这一限制模拟了繁忙医院中的现实情况——医生可能只有一瞥患者的时间。研究还揭示了关于疼痛在脸上呈现方式的一个意外发现。以往的研究侧重于肌肉运动的力量有多强，而这项研究发现，面部左右两侧运动的平衡同样重要。计算机学到，疼痛往往会导致不对称，即脸部的一侧与另一侧反应不同，特别是在眉毛、眼睛和脸颊周围。这种不均匀的反应是一个一致的线索，帮助系统识别疼痛，这表明疼痛扭曲面部的方式与表情的强度同样重要。
研究人员小心地设计了他们的研究，以反映现实世界的局限性。他们没有为每个人使用数千张图像（这会让任务变得更容易，但在临床环境中却不太实用），而是迫使计算机从单张快照中学习，以确保他们构建的工具可以在实际环境中发挥作用。他们还在男性和女性身上测试了该系统，并发现它对两组人群都表现得相当不错，尽管计算机在预测时的信心在性别之间略有差异。研究表明，虽然这项技术尚未准备好取代医生的判断或患者本人的陈述，但它可以作为一个有价值的助手。在患者无法言语的情况下，一个分析单张照片的工具可以提供客观的第二意见，提醒医护人员注意那些可能被忽视的潜在痛苦。这项工作并不声称已经解决了疼痛测量的问题，但它证明了检测疼痛所需的信息就存在于单张图像之中，等待着被正确的“眼睛”去解读。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。