东京大学研究生院农学生命科学研究科的小林幸司特任讲师、村田幸久副教授的研究团队，应用AI技术开发出了一种能够从小鼠“面部表情”中自动判定疼痛的新型解析方法。该成果不仅将大幅提升对疼痛机制解析及药物研发研究的可靠性，从动物福利的角度来看也是一项重大进步。
图1 AI通过小鼠面部图像判定疼痛（供图：东京大学）
用相机拍摄小鼠行为，AI对截取的表情图像计算疼痛概率
2010年提出的小鼠鬼脸量表（Mouse Grimace Scale），作为依据面部皱缩方式对疼痛进行量化的方法被广泛使用。然而，该评分方法存在需要观察者具备熟练经验，且不同评估者之间存在差异，不适合用于长时间观察等课题。
此次，研究团队使用约54万张BALB/c小鼠的表情图像，对AI模型（卷积神经网络）进行训练。通过让模型学习向腹腔内注射醋酸的小鼠（疼痛状态）与处理前小鼠（非疼痛状态）的面部图像，使其能够自行提取区分“疼痛”与“非疼痛”的特征。即使在未用于训练的数据上，AI模型也展现出高精度，正确预测了疼痛刺激随浓度变化而产生的依赖性变化。在投予镇痛药双氯芬酸时，AI模型还能够自动检测出疼痛的减轻并将其量化。
图2 AI关注的面部区域可视化（供图：东京大学）
通过Grad-CAM解析对AI关注区域进行可视化。“无疼痛”状态下，耳、颊、口的关注强度较高；“有疼痛”状态下，额头、眼部、头部的关注强度较高
这些结果表明，AI能够从“面部的细微变化”中读取药物效果。此外，对于辣椒成分辣椒素、降钙素基因相关肽（CGRP）等由非醋酸刺激引起的疼痛，AI也能够进行准确识别。也就是说，AI学习到了不同类型疼痛中共通的“表情”。
研究团队还利用Grad-CAM这一可视化技术，对AI在判定疼痛时所关注的面部区域进行了分析。结果显示，在“无疼痛”状态下，AI主要关注耳朵、脸颊和口部，而在“有疼痛”状态下，则聚焦于额头和头部。该发现表明，AI相较于传统的人类观察，利用了更广范围的表情变化，从而为疼痛的“表现”相关研究带来了新的科学认知。
该技术有望成为动物实验中药物研发与毒性试验中镇痛药评价的标准化和长期情绪解析（如不快、恐惧、愉悦等）的基础技术。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
期刊：PNAS Nexu
论文：Automated pain assessment based on facial expression of free-moving mice
DOI：10.1093/pnasnexus/pgaf352
