Vergleich der Leistung tief lernender, videobasierter Modelle und ausgebildeter Tierärzte bei der Schmerzeinschätzung von Rindern

Warum das Lesen von Kuhgesichtern wichtig ist

Schmerz bei Nutztieren ist sowohl ein Tierschutzproblem als auch eine wirtschaftliche Frage: verletzte Tiere fressen weniger, wachsen langsamer und können leiden, ohne es zu zeigen. Im Gegensatz zu Menschen können Kühe nicht mitteilen, wo es weh tut, und selbst erfahrene Tierärzte übersehen subtile Anzeichen. Diese Studie stellt eine eindrückliche Frage mit praktischen Konsequenzen: Kann ein System der künstlichen Intelligenz, das gewöhnliche Videoaufnahmen von Rindern auswertet, mit ausgebildeten Tierärzten mithalten oder sie sogar übertreffen, wenn es darum geht zu sagen, welche Tiere nach einer Operation Schmerzen haben?

Verborgener Schmerz in stillen Herden

Rinder sind Beutetiere und haben sich im Lauf der Evolution darauf eingestellt, Schwäche zu verbergen. Das macht Schmerz schwer erkennbar, selbst für Expertinnen und Experten, und bestehende Bewertungssysteme sind zeitaufwendig und in gewissem Maße subjektiv. Tierärzte beurteilen Schmerz typischerweise anhand von Checklisten mit Verhaltensweisen und Gesichtsausdrücken, etwa wie eine Kuh geht, ob sie mit Herdengenossinnen interagiert oder wie Augen, Ohren und Maul aussehen. Diese Instrumente erhöhen die Konsistenz, hängen aber weiterhin von menschlichem Urteil, Ausbildung und den Beobachtungsbedingungen ab. In stark frequentierten kommerziellen Betrieben ist es oft unpraktisch, so detaillierte Skalen bei jedem Tier anzuwenden.

Stallvideos als Datenquelle

Die Forschenden bauten auf früheren Arbeiten an anderen Arten — Katzen, Hunden, Kaninchen, Schafen und Pferden — auf, in denen Computer gelernt haben, Schmerz aus Bildern zu erkennen. Hier konzentrierten sie sich auf Jungrinder, die routinemäßig kastriert wurden. Siebzehn Tiere zweier gängiger Fleischrinderrassen wurden in ihren Buchten für etwa drei Minuten zu mehreren Zeitpunkten vor und nach der Operation gefilmt. Für die KI war der entscheidende Vergleich ein Moment vor der Operation, der als schmerzfrei galt, und ein früher Nachoperationszeitpunkt, an dem akuter Schmerz zu erwarten war. Aus diesen Aufnahmen extrahierte das Team eine Bildfolge mit einer Aufnahme pro Sekunde und schnitt automatisch um den Kopf jedes Tieres herum, wodurch ein kompaktes Set von Nahaufnahmen von Rinderköpfen und Oberkörpern entstand.

Wie der Computer lernt, eine Kuh zu lesen

Jedes zugeschnittene Einzelbild wurde in eine kompakte numerische Beschreibung umgewandelt — eine Art visueller Fingerabdruck — mithilfe eines modernen Vision-Transformer-Modells, das ursprünglich auf großen Bildsammlungen trainiert wurde. Diese Fingerabdrücke wurden dann einem einfachen Klassifikator zugeführt, der anhand der beschrifteten Beispiele lernte, „Schmerz“ von „kein Schmerz“ zu unterscheiden. Anstatt auf aufwändige Vorverarbeitung oder wiederholte Retrainingszyklen zu setzen, hielten die Autorinnen und Autoren die Pipeline effizient, mit Blick auf einen Praxiseinsatz in Ställen, in denen Rechenressourcen und technisches Fachwissen begrenzt sein können. Für jedes drei Minuten lange Video traf das System eine Entscheidung, indem es über alle Frames per Mehrheitsvotum abstimmte, so dass es flüchtige Veränderungen in Mimik und Körperhaltung erfassen konnte, die auf einem einzelnen Standbild leicht übersehen würden.

Mensch gegen Maschine in der Klinik

Um die Leistungsfähigkeit der KI zu bewerten, verglichen die Forschenden ihre Ergebnisse mit denen von zwei ausgebildeten tierärztlichen Anästhesistinnen, die etablierte Schmerzskalen anwandten. Die UNESP‑Botucatu-Rinderskala konzentriert sich auf Körperverhalten wie Bewegung, Appetit und Interaktion, während die Bovine Grimace Scale auf Gesichtszüge wie Lidspannung und Ohrstellung achtet. Die Tierärzte bewerteten Schmerz sowohl persönlich während des Operationszeitraums als auch später anhand der aufgezeichneten Videos. Der Computer erreichte unter ausschließlicher Verwendung der Videos eine Genauigkeit von etwa 97 Prozent und einen F1‑Wert — ein ausgewogenes Maß für korrekte Schmerz- und Kein‑Schmerz‑Zuordnungen — von nahezu 97 Prozent. Das war besser als die von Videos abgeleiteten menschlichen Bewertungen und statistisch vergleichbar mit den Live‑Beurteilungen der Tierärzte in den Buchten der Tiere.

Was das für Kühe und Landwirtinnen bedeutet

Für eine interessierte Leserschaft ist die Kernaussage klar: Ein sorgfältig entwickeltes KI‑System, das gewöhnliche Videoaufnahmen analysiert, kann Schmerzen bei Rindern etwa genauso zuverlässig erkennen wie erfahrene Tierärzte und in manchen Fällen konsistenter. Das heißt nicht, dass Tierärzte ersetzt werden sollten; vielmehr deutet es auf eine Zukunft hin, in der Kameras Herden rund um die Uhr überwachen und Tiere melden, die wahrscheinlich leiden, damit Menschen früher eingreifen können. Die Studie ist noch klein und auf einen Operationstyp beschränkt, und sie vereinfacht Schmerz auf eine Ja‑/Nein‑Entscheidung. Dennoch liefert sie einen Proof of Concept, dass Maschinen dazu beitragen können, das verborgene Leid von Nutztieren aufzudecken und so sowohl deren Lebensqualität als auch die Effizienz der Produktion zu verbessern.

Zitation: Feighelstein, M., Tomacheuski, R.M., Elias, G. et al. Comparing the performance of deep learning video-based models and trained veterinarians in cattle pain assessment. Sci Rep 16, 9318 (2026). https://doi.org/10.1038/s41598-026-39604-2

Schlüsselwörter: Erkennung von Tierleid, Rinderwohlfahrt, veterinärmedizinische Künstliche Intelligenz, Computer Vision, Überwachung der Nutztiergesundheit