به نقل از اساف، یافتههای این پژوهش، ضمن تایید ظرفیت رو به رشد هوش مصنوعی در تشخیص درد حیوانات، پیچیدگیهای این حوزه را نیز آشکار میکند. این مطالعه که در سال ۲۰۲۶ در مجله بینالمللی بینایی رایانه منتشر شد، سیستمی به نام SHIC-XE را معرفی میکند که برای حل یک مشکل مداوم و کمتر مورد توجه در قابلیت توضیح هوش مصنوعی طراحی شده است: وقتی دوربینی یک حیوان در حال حرکت را ضبط میکند، نقشههای توجه بصری هوش مصنوعی معمولا فریم به فریم سوسو میزنند و میپرند و درک آنچه سیستم در واقع یاد میگیرد را تقریبا غیرممکن میکنند. این چارچوب با انتقال نقاط تمرکز هوش مصنوعی به یک مدل سهبعدی ثابت از صورت اسب، این مشکل را برطرف میکند؛ به گونهای که صرفنظر از زاویه یا حالت چهره اسب در ویدئو، سیستم میتواند مشاهدات خود را همواره به همان نقاط فیزیکی مشخص روی صورت اسب مرتبط کند.
شاید مهمتر از همه اینکه، پژوهشگران اقدامی نسبتا نادر در این حوزه انجام دادند: آنها الگوهای توجه هوش مصنوعی را با نمرات درد تعیینشده توسط دامپزشکان آموزشدیده مقایسه کردند. این متخصصان از ابزار استانداردی به نام «مقیاس گریم اسب» برای ارزیابی درد استفاده کرده بودند.
نتایج نشان داد میان توجه هوش مصنوعی و ارزیابی متخصصان در برخی نواحی صورت، همبستگیهای معنادار اما متوسطی وجود دارد؛ با این حال، در برخی بخشها نیز همبستگی منفی مشاهده شد. این یافتهها پرسش مهمی را مطرح میکنند: آیا سامانههای هوش مصنوعی که از نظر عملکرد قابل قبول به نظر میرسند، واقعا برای شناسایی درد از همان نشانههایی استفاده میکنند که متخصصان دامپزشکی در نظر میگیرند؟
چرا تشخیص درد اسب دشوار است؟
ارزیابی درد در دامپزشکی مدتهاست تا حد زیادی به مشاهده و قضاوت انسان متکی است. در مورد اسبها، دامپزشکان از یک سیستم امتیازدهی معتبر استفاده میکنند که بر اساس ۶ نشانه مشخص در چهره شکل گرفته است: وضعیت گوشها، تنش در ناحیه بالای چشم، سفتی چشم، کشیدگی عضلات گونه، تنش چانه و کشیدگی سوراخهای بینی.
هر یک از این ویژگیها در یک مقیاس مشخص امتیازدهی میشود و اسبی که درد قابل توجهی دارد، معمولا ترکیبی قابل تشخیص از این نشانهها را نشان میدهد. با این حال، شناسایی دقیق این تغییرات به آموزش و دقت بالای فرد ارزیاب نیاز دارد.
استفاده از هوش مصنوعی برای خودکارسازی این فرایند جذاب است؛ زیرا میتواند وابستگی به تفاوت میان ارزیابان انسانی را کاهش دهد و امکان پایش مداوم حیوان را فراهم کند.
با این حال، سامانههای پیشین تشخیص درد اسب با یک مشکل اساسی مواجه بودند. اگرچه برخی از آنها در تفکیک اسبهای دردکشیده از اسبهای بدون درد عملکرد نسبتا مناسبی داشتند، توضیحی که برای تصمیم خود ارائه میکردند همیشه قابل اعتماد نبود. برای مثال، ممکن بود یک سامانه به جای تمرکز بر ویژگیهای چهره اسب، بخشی از پسزمینه تصویر را برجسته کند یا نقشههای حرارتی آن در فریمهای مختلف یک ویدئو به شدت تغییر کند.
در چنین شرایطی، دامپزشکان نمیتوانند با اطمینان مشخص کنند که آیا هوش مصنوعی واقعا بر نشانههای مرتبط با درد تمرکز کرده است یا خیر.
SHIC-XE چگونه مشکل اعتماد به هوش مصنوعی را حل میکند؟
چارچوب SHIC-XE با هدف پاسخ مستقیم به همین مشکل توسعه یافته است. به جای اینکه برای هر فریم ویدئو یک نقشه حرارتی جداگانه تولید کند، این سامانه ارتباط میان تصاویر دوبعدی و یک مدل سهبعدی از سطح صورت اسب را یاد میگیرد. در این فرایند، هر پیکسل از هر فریم به نقطه مشخصی روی مدل سهبعدی صورت اسب نگاشت میشود.
به این ترتیب، میتوان نقاط مورد توجه هوش مصنوعی را در طول یک ویدئو روی موقعیتهای ثابت صورت اسب تجمیع کرد. برای مثال، اگر هوش مصنوعی در دو فریم مختلف روی بینی تمرکز کند، هر دو مورد روی یک نقطه مشخص از مدل سهبعدی قرار میگیرند و میتوان آنها را در کنار یکدیگر بررسی کرد، بدون اینکه تغییر زاویه یا وضعیت سر اسب باعث ایجاد آشفتگی در دادهها شود.
آزمایش روی سه نوع درد اسب
پژوهشگران برای ارزیابی عملکرد این سیستم، از سه مجموعه داده مجزا استفاده کردند که انواع مختلفی از درد در اسبها را شامل میشد.
مجموعه نخست شامل ۳۹ اسب بود که پیش و پس از جراحی معمول مورد تصویربرداری قرار گرفته بودند و در نتیجه، امکان بررسی درد و ناراحتی پس از جراحی فراهم میشد. مجموعه دوم شامل ۶ اسب بود که به صورت تجربی دچار التهاب مفاصل شده بودند. مجموعه سوم نیز شامل ۱۱ اسب بود که در آن از وسیلهای متصل به لب بالایی حیوان به عنوان محرک درد حاد استفاده شده بود.
برای ارزیابی مدل، پژوهشگران از روش «حذف یک آزمودنی» استفاده کردند. به این معنا که هر بار مدل روی اسبی آزمایش میشد که تصاویر آن در دادههای آموزشی مدل وجود نداشت. این روش از آن جلوگیری میکند که سیستم صرفا ویژگیهای یک حیوان خاص را به خاطر بسپارد.
امتیاز عملکرد مدل در سطح ویدئو در این سه مجموعه داده بهترتیب ۰.۶۷، ۰.۸۰ و ۰.۷۰ بود. این امتیازها بر اساس معیاری استاندارد محاسبه شدند که هم موارد درد شناسایینشده و هم هشدارهای کاذب را در نظر میگیرد.
پژوهشگران میگویند عملکرد طبقهبندی این روش با برخی روشهای قبلی قابل مقایسه است، اما SHIC-XE از نیاز به آموزش مدلهای جداگانه برای هر بخش از صورت اسب جلوگیری میکند.
یکی دیگر از مزایای این روش، سادگی معماری آن است. در بسیاری از روشهای قبلی، برای هر ناحیه از صورت یک طبقهبندیکننده جداگانه آموزش داده میشد. این فرایند زنجیرهای از مراحل پردازشی ایجاد میکرد که خطا در هر مرحله میتوانست به مراحل بعدی منتقل شود و عملکرد کل سیستم را تحت تاثیر قرار دهد.
در مقابل، SHIC-XE از یک طبقهبندی کننده واحد در کنار سامانه نگاشت فضایی استفاده میکند. بنابراین، پیش از آغاز فرایند نگاشت سهبعدی، تنها لازم است سیستم یک بار سر اسب را به درستی شناسایی کند.
وقتی هوش مصنوعی و متخصصان با هم اختلاف نظر دارند
یکی از مهمترین بخشهای این پژوهش، مقایسه میان توجه هوش مصنوعی و ارزیابی متخصصان بود.
پژوهشگران مجموعهای اصلاحشده شامل ۱۱۴ تصویر از نخستین مجموعه داده را بررسی کردند. این تصاویر از نمونههایی انتخاب شده بودند که دامپزشکان متخصص آنها را با استفاده از مقیاس گریم اسب ارزیابی کرده بودند.
هدف این بود که مشخص شود آیا بخشهایی از صورت که بیشترین توجه هوش مصنوعی را به خود جلب میکنند، با نواحی که متخصصان آنها را برای تشخیص درد مهم میدانند، ارتباط دارند یا خیر.
در مورد گوشها، پژوهشگران یک همبستگی مثبت و معنادار مشاهده کردند. به این معنا که هرچه متخصصان نشانههای درد بیشتری را در وضعیت گوشها تشخیص میدادند، هوش مصنوعی نیز توجه بیشتری به این ناحیه نشان میداد.
عضلات گونه نیز همبستگی مثبت مشابهی داشتند، هرچند شدت این ارتباط کمتر بود. این دو یافته میتواند نشان دهنده نوعی همسویی میان نحوه تصمیمگیری هوش مصنوعی و ارزیابی دامپزشکان در این بخشهای صورت باشد.
اما درباره چشمها نتیجه کاملا متفاوت بود. این ناحیه یک همبستگی منفی و معنادار نشان داد؛ یعنی درست در شرایطی که متخصصان نشانههای مرتبط با درد در اطراف چشم را مهمتر ارزیابی میکردند، هوش مصنوعی تمایل بیشتری به دور شدن از این ناحیه داشت. در مورد دهان، سوراخهای بینی و ناحیه بالای چشم نیز همبستگی معناداری مشاهده نشد.
پژوهشگران همچنین دریافتند که هوش مصنوعی توجه قابل توجهی به بخشهایی از صورت نشان میدهد که مستقیما در مقیاس گریم اسب مورد ارزیابی قرار نمیگیرند.
این موضوع لزوما به معنای عملکرد ضعیف مدل نیست. پژوهشگران احتمال میدهند مدلهای یادگیری عمیق بتوانند تغییرات ظریف در بافت صورت را شناسایی کنند که برای چشم انسان بسیار جزئی هستند و نمیتوان آنها را به طور قابل اعتماد در ارزیابیهای دستی ثبت کرد.
با این حال، هنوز مشخص نیست که این الگوها واقعا نشان دهنده نشانگرهای جدید درد هستند یا اینکه مدل صرفا الگوهایی را شناسایی کرده که ارتباط معناداری با درد ندارند. این مطالعه به تنهایی نمیتواند به این پرسش پاسخ قطعی بدهد.
با وجود نتایج امیدوارکننده، پژوهشگران تاکید میکنند که یافتههای این مطالعه اعتبارسنجی اولیه محسوب میشود و به معنای اثبات آمادگی این فناوری برای استفاده بالینی نیست.
اندازه نمونهها همچنان محدود است؛ بنابراین نمیتوان با اطمینان بالا نتایج به دستآمده را به تمام اسبها تعمیم داد. در نهایت، مهمترین دستاورد این پژوهش شاید خود سامانه تشخیص درد نباشد، بلکه ارائه روشی برای سنجش واقعی قابلیت توضیحپذیری هوش مصنوعی باشد.
انتهای پیام
