Recherche sur l'amélioration des modèles de reconnaissance des expressions faciales chez la souris avec un métabolisme du glucose anormal

Lire la santé sur de minuscules visages

L'hyperglycémie est surtout connue pour son rôle dans le diabète, mais elle affecte aussi discrètement le cerveau, l'humeur et le bien‑être général. Cette étude montre que même les souris affichent leur santé métabolique sur leur visage. En observant de légers mouvements de moustaches, d'oreilles et d'yeux, et en les combinant avec un modèle de vision par ordinateur à la fois sobre et performant, les chercheurs démontrent une nouvelle manière de suivre les troubles glycémiques et l'effet des traitements sans une seule piqûre.

Construire une version murine du prédiabète et du diabète

Pour explorer comment les variations de glycémie se traduisent sur le visage, l'équipe a d'abord eu besoin de souris passant de façon fiable d'un métabolisme normal à un état pathologique, puis à la récupération. Ils ont utilisé une méthode bien établie : un régime riche en graisses associé à un composé, la streptozotocine, qui endommage les cellules productrices d'insuline. Des souris mâles C57BL/6J ont été réparties en cinq groupes. L'un est resté sous alimentation standard, tandis que les autres ont reçu le régime riche en graisses plus le médicament pour induire l'hyperglycémie. Ensuite, trois des groupes hyperglycémiques ont reçu différentes doses d'un polysaccharide dérivé d'un champignon appelé Sparassis latifolia (SLP). Sur plusieurs mois, des analyses sanguines répétées ont montré un schéma clair : la glycémie est passée de normale à perturbation précoce, puis à une anomalie complète, avant de redescendre dans le groupe traité par forte dose de SLP, révélant une amélioration dépendante de la dose.

Transformer les visages de souris en bibliothèque de données

Puis, les chercheurs ont converti le comportement quotidien des souris en une riche bibliothèque d'images. Deux caméras — l'une au niveau des yeux et l'autre en plongée — ont enregistré des souris en liberté pendant des milliers de minutes sous un éclairage et une température contrôlés. À partir de 390 clips vidéo, l'équipe a sélectionné manuellement 2830 images nettes de visages de souris. Chaque image a été étiquetée selon l'un des cinq états basés sur la glycémie : normal, perturbation précoce, anomalie complète, et stades précoce ou tardif du traitement par SLP. Des spécialistes ont ensuite tracé des cadres autour des yeux, des oreilles, du nez, de la bouche et des moustaches, capturant les indices subtils reflétant inconfort, tension ou soulagement. Cela a créé un jeu de données standardisé reliant les expressions faciales aux niveaux de glycémie mesurés tout au long de la maladie et de la récupération.

Concevoir un modèle détecteur petit mais perspicace

Reconnaître ces expressions est loin d'être trivial : les visages de souris sont minuscules dans chaque image, les différences d'expression sont délicates, et les cages sont visuellement encombrées par la litière, la paille et la présence d'autres individus. Pour y répondre, l'équipe a développé une version améliorée d'un système de vision en temps réel populaire, YOLOv8, qu'elle a appelée LFPP‑YOLO. Ils ont ajouté un bloc de « semi‑auto‑attention » qui analyse l'image entière tout en mettant sélectivement l'accent sur des régions semblant correspondre à des visages, aidant ainsi le modèle à ignorer les distractions d'arrière‑plan. Ils ont aussi intégré un ensemble léger de modules qui fusionnent l'information à différentes échelles d'image afin que le système puisse à la fois percevoir la tête dans son ensemble et extraire des lignes et textures fines autour des yeux et des moustaches. Une fonction de perte affinée encourage en outre le modèle à tracer des boîtes englobantes plus serrées et plus précises autour de régions faciales irrégulières ou floues.

Tester le système face à des méthodes concurrentes et en conditions réelles

Sur le jeu de données sélectionné, LFPP‑YOLO a atteint une précision moyenne de détection d'environ 95 % sur les cinq états métaboliques, avec un score F1 proche de 0,89. Fait remarquable, il a accompli cela tout en restant très compact — environ 2,4 mégaoctets — et rapide, nécessitant seulement environ 5 millisecondes pour analyser une image sur le matériel de test. Lors d'essais comparatifs, il a surpassé à la fois un détecteur classique en deux étapes et plusieurs variantes récentes de YOLO, en particulier pour les visages petits, partiellement cachés ou inclinés. Des visualisations par cartes de chaleur ont montré que le modèle amélioré apprenait à se concentrer sur les oreilles, les yeux et la bouche même lorsque d'autres souris ou la litière encombraient la scène. Dans une validation séparée réalisée dans un autre établissement, les classifications basées sur les expressions correspondaient étroitement aux étiquettes basées sur la glycémie, avec un niveau d'accord statistique généralement décrit comme « presque parfait ».

Ce que cela pourrait signifier pour les soins futurs

Ce travail suggère que les expressions faciales peuvent constituer une fenêtre pratique et non invasive sur la santé métabolique chez les petits animaux. Plutôt que des prélèvements sanguins répétés, les chercheurs pourraient utiliser des caméras et un algorithme compact pour détecter quand une souris s'éloigne d'un métabolisme normal vers un état pathologique, et quand une intervention alimentaire ou médicamenteuse commence à inverser les dommages. Bien que le jeu de données actuel soit limité en taille et en conditions, et que des travaux supplémentaires soient nécessaires pour étendre la méthode à d'autres souches, éclairages et espèces, l'étude ouvre la voie à un avenir où la surveillance routinière des maladies chroniques chez les animaux — et peut‑être un jour chez les humains — pourrait s'appuyer de plus en plus sur la lecture attentive du visage combinée à des systèmes de vision intelligents plutôt que sur les aiguilles et les bandelettes test.

Citation: Guo, X., Shi, L., Ma, B. et al. Research on improved models for facial expression recognition in mice with abnormal glucose metabolism. Sci Rep 16, 8165 (2026). https://doi.org/10.1038/s41598-026-38863-3

Mots-clés: reconnaissance des expressions faciales, métabolisme du glucose anormal, modèle murin du diabète, détection par apprentissage profond, surveillance non invasive