Estos modelos de aprendizaje profundo completamente automatizados se pueden utilizar para predecir el dolor utilizando la Escala de Rostro Felino (ERF) con integración de teléfonos inteligentes’.
Utilización de modelos de aprendizaje profundo completamente automatizados para predecir el dolor mediante la Escala de Rostro Felino (ERF) con integración de teléfonos inteligentes
Las capacidades de la Inteligencia Artificial (IA) están entrando en todas las industrias, ya sea en el campo de la salud, las finanzas o la educación. En el campo de la medicina y la medicina veterinaria, la identificación del dolor es el primer paso crucial para administrar los tratamientos adecuados. Esta identificación es especialmente difícil en individuos que no pueden expresar su dolor, lo que requiere el uso de técnicas diagnósticas alternativas.
Los métodos convencionales incluyen el uso de sistemas de evaluación del dolor o el seguimiento de las reacciones conductuales, los cuales tienen ciertas limitaciones, como la subjetividad, la falta de validez, la dependencia de la habilidad y formación del observador, y la incapacidad de representar adecuadamente las dimensiones emocionales y motivacionales complejas del dolor. La incorporación de la tecnología, en particular la IA, puede abordar estos problemas.
Varias especies animales tienen expresiones faciales que pueden actuar como marcadores importantes del sufrimiento. Se han establecido escalas de gestos para distinguir entre personas que sienten dolor y aquellas que no lo sienten. Estas escalas funcionan asignando una puntuación a unidades de acción faciales específicas (AUs, por sus siglas en inglés). Sin embargo, las técnicas actuales para utilizar escalas de gestos para evaluar el dolor en imágenes estáticas o en tiempo real tienen varias limitaciones, como la intensidad laboral y la dependencia de la puntuación manual. Los estudios actuales señalan la falta de modelos completamente automatizados que abarquen una amplia gama de conjuntos de datos de animales y consideren varios síndromes de dolor que ocurren naturalmente, además del color del pelaje, la raza, la edad y el género.
- Revelando los entresijos Un análisis a fondo del mecanismo de atención de BERT
- Los 10 mejores modelos de lenguaje grandes en Hugging Face
- Dominando la generación de datos sintéticos aplicaciones y mejores prácticas
Para superar estos desafíos, un equipo de investigadores ha presentado la Escala de Gestos Felinos (FGS) en una investigación reciente como un instrumento viable y confiable para evaluar el dolor agudo en los gatos. Se han utilizado cinco unidades de acción para conformar esta escala, y cada una ha sido calificada según si está presente o no. La puntuación acumulativa de FGS indica la probabilidad de que el gato experimente molestias y necesite ayuda. La FGS es un instrumento flexible para la evaluación del dolor agudo que se puede utilizar en una variedad de contextos debido a su facilidad de uso y practicidad.
Se han utilizado redes neuronales profundas y modelos de aprendizaje automático para predecir los lugares de referencia facial y las puntuaciones de dolor. Se han utilizado Redes Neuronales Convolucionales (CNN, por sus siglas en inglés) y se han entrenado para generar las predicciones requeridas en función de diversos factores, como el tamaño, el tiempo de predicción, el potencial de integración con la tecnología de teléfonos inteligentes y el rendimiento predictivo determinado por el error cuadrado medio normalizado (NRMSE, por sus siglas en inglés). Se generaron treinta y cinco descriptores geométricos en paralelo para mejorar los datos que se pueden analizar.
Las puntuaciones de FGS y los lugares de referencia facial se entrenaron en modelos XGBoost. Se utilizaron el error cuadrático medio (MSE, por sus siglas en inglés) y las métricas de precisión para evaluar el rendimiento predictivo de estos modelos XGBoost, lo cual desempeñó un papel importante en el proceso de selección. El conjunto de datos utilizado en esta investigación incluyó 3447 fotos faciales de gatos que habían sido cuidadosamente anotadas con 37 lugares de referencia.
El equipo compartió que, al evaluarse, ShuffleNetV2 surgió como la mejor opción para la predicción de lugares de referencia facial, con el modelo CNN de mayor éxito mostrando un error cuadrado medio normalizado (NRMSE) del 16,76%. El modelo XGBoost de mejor rendimiento predijo las puntuaciones de FGS con una precisión increíble del 95,5% y un error cuadrático medio mínimo (MSE) de 0,0096. Estas medidas demostraron una alta precisión en la diferenciación entre estados dolorosos y no dolorosos en los gatos. En conclusión, este desarrollo tecnológico se puede utilizar para simplificar y mejorar el proceso de evaluación del dolor en sujetos felinos, lo que podría resultar en terapias más oportunas y efectivas.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- ¿Cómo las bases de datos vectoriales dan forma al futuro de las soluciones de IA generativa?
- Microsoft se une a sindicatos laborales estadounidenses para discutir sobre la fuerza laboral de IA
- Meta AI anuncia Purple Llama para ayudar a la comunidad a construir de manera ética con modelos de IA abiertos y generativos.
- Investigadores de Google DeepMind proponen Código de Cadena (CoC) una extensión simple pero sorprendentemente efectiva que mejora el razonamiento del Modelo de Lenguaje (LM) impulsado por código
- Enseñando a la IA a jugar juegos de mesa
- Investigadores de UCLA y CMU presentan Stormer Una red neuronal Transformadora escalable para una pronóstico meteorológico de mediano alcance hábil y confiable.
- Mejores funciones de manipulación de datos en PySpark