اسبها حیواناتی هستند که بهصورت تکاملی یاد گرفتهاند علائم درد و ناراحتی خود را پنهان کنند. این ویژگی که در طبیعت به بقا کمک میکرد، در محیطهای انسانی مشکلساز شده؛ چون دامپزشکان و مراقبان نمیتوانند بهسادگی متوجه شوند اسب درد دارد یا نه. اکنون یک تیم تحقیقاتی سامانهای هوشمند ساخته که میتواند این مشکل را تا حد زیادی حل کند.
چالش اصلی: اسبها دردشان را پنهان میکنند
برخلاف بسیاری از حیوانات که علائم آشکاری از رنج خود نشان میدهند، اسبها در مواجهه با درد رفتارهای ظریفتری از خود بروز میدهند. دامپزشکان سالهاست از ابزاری به نام «مقیاس گریم اسب» استفاده میکنند که شش نشانه چهرهای را ارزیابی میکند: وضعیت گوشها، تنش در ناحیه بالای چشم، سفتی چشم، کشیدگی عضلات گونه، تنش چانه و کشیدگی سوراخهای بینی. هرچند این مقیاس معتبر است، اما تشخیص دقیق آن به آموزش بالا و دقت زیاد فرد ارزیاب وابسته است.
سیستم SHIC-XE چگونه کار میکند؟
در سال ۲۰۲۶ میلادی، مقالهای در مجله بینالمللی بینایی رایانه منتشر شد که سامانهای به نام SHIC-XE را معرفی کرد. این سامانه برخلاف رویکردهای پیشین، یک مشکل اساسی در قابلیت توضیحپذیری هوش مصنوعی را هدف گرفته است.
مشکل اینجاست که وقتی دوربینی یک حیوان در حال حرکت را ضبط میکند، نقشههای توجه بصری هوش مصنوعی معمولاً فریم به فریم تغییر میکنند و میپرند. این موضوع درک اینکه سیستم واقعاً به کدام بخشهای صورت توجه دارد را تقریباً غیرممکن میسازد. SHIC-XE با انتقال نقاط تمرکز هوش مصنوعی به یک مدل سهبُعدی ثابت از صورت اسب، این مشکل را برطرف کرده است.
در این فرایند، هر پیکسل از هر فریم ویدئو به نقطه مشخصی روی مدل سهبُعدی نگاشت میشود. به این ترتیب، حتی اگر زاویه سر اسب در فریمهای مختلف تغییر کند، نقاط مورد توجه هوش مصنوعی روی موقعیتهای ثابت صورت تجمیع میشوند و قابل بررسی خواهند بود.
نتایج آزمایشها
پژوهشگران این سامانه را روی سه مجموعه داده مجزا آزمایش کردند:
- مجموعه اول: ۳۹ اسب که پیش و پس از جراحی معمول تصویربرداری شده بودند (امتیاز ۰.۶۷)
- مجموعه دوم: ۶ اسب با التهاب مفاصل تجربی (امتیاز ۰.۸۰)
- مجموعه سوم: ۱۱ اسب که درد حاد آزمایشی تجربه کردند (امتیاز ۰.۷۰)
برای اطمینان از صحت نتایج، از روش «حذف یک آزمودنی» استفاده شد؛ یعنی هر بار مدل روی اسبی آزمایش شد که تصاویرش در دادههای آموزشی وجود نداشت تا مدل صرفاً ویژگیهای حیوان خاصی را حفظ نکرده باشد.
آیا هوش مصنوعی همان نشانههایی را میبیند که دامپزشکان؟
یکی از مهمترین بخشهای این پژوهش، مقایسه الگوهای تمرکز هوش مصنوعی با ارزیابیهای دامپزشکان متخصص بود. نتایج نشان داد:
- در ناحیه گوشها: همبستگی مثبت و معناداری وجود داشت؛ یعنی هوش مصنوعی هم مثل متخصصان به این ناحیه توجه میکرد.
- در ناحیه عضلات گونه: همبستگی مثبت مشابهی مشاهده شد، هرچند شدت کمتری داشت.
- در ناحیه چشمها: نتیجه کاملاً متفاوت بود. هوش مصنوعی در شرایطی که متخصصان چشم را مهمتر ارزیابی میکردند، تمایل به دور شدن از این ناحیه داشت.
جالب اینکه هوش مصنوعی توجه قابلتوجهی به نواحیای از صورت نشان داد که مستقیماً در مقیاس گریم اسب ارزیابی نمیشوند. پژوهشگران احتمال میدهند مدلهای یادگیری عمیق بتوانند تغییرات ظریفی در بافت صورت شناسایی کنند که برای چشم انسان تقریباً غیرقابل تشخیص است.
چرا این پژوهش مهم است؟
پیش از این، سامانههای تشخیص درد حیوانات با مشکل «توضیحناپذیری» مواجه بودند. ممکن بود یک مدل خوب عمل کند، اما نقشه حرارتی آن بخشی از پسزمینه تصویر را برجسته کند یا در فریمهای مختلف بهشدت نوسان داشته باشد. در چنین شرایطی، دامپزشکان نمیتوانند اعتماد کنند که هوش مصنوعی واقعاً به نشانههای درد توجه دارد.
مزیت دیگر SHIC-XE سادگی معماری آن است. به جای آموزش طبقهبندیکنندههای جداگانه برای هر ناحیه صورت، این سامانه از یک طبقهبندیکننده واحد در کنار سامانه نگاشت فضایی استفاده میکند و احتمال انتقال خطا بین مراحل پردازش کاهش مییابد.
محدودیتها و نیاز به اعتبارسنجی بیشتر
پژوهشگران تأکید میکنند که یافتههای این مطالعه صرفاً اعتبارسنجی اولیه محسوب میشود. اندازه نمونهها همچنان محدود است و نمیتوان با اطمینان بالا نتایج را به تمام اسبها تعمیم داد. افزون بر این، هنوز مشخص نیست نواحیای که هوش مصنوعی به آنها توجه نشان میدهد ولی در مقیاس گریم اسب وجود ندارند، واقعاً نشانگرهای جدید درد هستند یا الگوهای بیربطی که مدل شناسایی کرده است.
با این حال، مهمترین دستاورد این پژوهش شاید خود سامانه تشخیص درد نباشد، بلکه چارچوب توضیحپذیری است که ارائه کرده است. این چارچوب میتواند به دامپزشکان و پژوهشگران اجازه دهد با اطمینان بیشتری از فناوریهای هوش مصنوعی در تشخیص درد حیوانات استفاده کنند و بدانند دقیقاً چه چیزی در حال بررسی است.
نظرات (0)